KR20220013537A - 의료 영상화 장치 및 방법 - Google Patents

의료 영상화 장치 및 방법 Download PDF

Info

Publication number
KR20220013537A
KR20220013537A KR1020217009870A KR20217009870A KR20220013537A KR 20220013537 A KR20220013537 A KR 20220013537A KR 1020217009870 A KR1020217009870 A KR 1020217009870A KR 20217009870 A KR20217009870 A KR 20217009870A KR 20220013537 A KR20220013537 A KR 20220013537A
Authority
KR
South Korea
Prior art keywords
subject
body part
tissue
scattering
template
Prior art date
Application number
KR1020217009870A
Other languages
English (en)
Inventor
아민 아보쉬
아르만 아파스리
알리 자마니
알리나 비알코우스키
구오훈 주
탄퐁 누엔
레이 구오
이판 왕
Original Assignee
이엠비전 메디칼 디바이시스 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from AU2018903285A external-priority patent/AU2018903285A0/en
Application filed by 이엠비전 메디칼 디바이시스 리미티드 filed Critical 이엠비전 메디칼 디바이시스 리미티드
Publication of KR20220013537A publication Critical patent/KR20220013537A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G06K9/6273—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/04—Arrangements of multiple sensors of the same type
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/02—Investigating the presence of flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Electromagnetism (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Psychology (AREA)
  • Quality & Reliability (AREA)

Abstract

본 발명은 다음 단계(i) 내지(iv)를 포함하는 의료 영상화 방법에 관한 것이다:
(i) 복수의 상이한 신호 주파수에서 피험자 신체 부위의 조직으로부터 전자기 신호의 산란에 대한 단일 정적 또는 다중 정적 측정을 나타내는 산란 데이터를 수신함에 있어, 전자기 신호는 하나 이상의 안테나로부터 방출되고 대응하는 산란 신호는 하나 이상의 안테나에 의해 측정되는 산란 데이터 수신 단계;
(ii) 산란 데이터를 처리하여 피험자 신체 부위 내 조직의 복수 산란 위치의 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 값을 계산하는 단계;
(iii) 각각의 산란 위치에 대해, 복수의 주파수 및 복수의 안테나에 걸쳐 산란 위치에서 계산된 전기장 전력 값을 합산하여 신체 부위 내 조직의 영상을 생성하는 단계; 및
(iv) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 신체 부위 내 조직의 모델을 반복적으로 업데이트 하고, 업데이트된 모델은 피험자 신체 부위 내 조직의 영상으로서 출력되는 단계.

Description

의료 영상화 장치 및 방법
본 발명은 특히 신호 처리 및 전자기 계산 기술을 이용하여, 조직 내에 비정상의 존재 및 위치를 검출하고, 그러한 비정상을 분류하는 의료 영상화 분야에 관한 것이다.
초음파, 컴퓨터 단층 촬영(CT), 자기 공명 영상(MRI) 및 핵 의학 영상과 같은 의료 영상화 기술은 인체의 내부 특징을 영상화하는 데 매우 강력한 기술이지만 이용 가능성을 제한하는 수 많은 단점이 있다. 예를 들어, 이러한 기술에는 값 비싼 장비가 필요하므로, 일반적으로 지방이나 원거리 의료 센터에서 이용할 수 없다. 실제로 세계 보건기구(WHO)에 따르면, 세계 인구의 절반 이상은 진단 영상을 이용할 수 없다. 또한, 다양한 질병의 검출 및 지속적인 모니터링을 위한 저렴하고 안전한 영상 시스템에 대한 일반적인 요구가 있다. X-선과 같은 이온화 방사선에 대한 노출을 제한해야 하기 때문에, 최근 이용 가능한 대부분의 의료 영상 시스템은 빈번한 모니터링에 이용할 수 없다. 또한, MRI 및 기타 대형 의료 영상 시스템은 부피가 크고, 정적인 구조와 고 비용으로 인해, 정기적 또는 단기적으로 활동의 모니터링을 필요로 하는 질환을 모니터링 할 수 없는 경우가 많고, 그 현장에서의 영상화 및 평가의 목적으로 구급 의료기관이 이용하는 것은 현실적으로는 실현 불가능하다.
더욱이, 종래의 의료 영상화 도구(tool)는 일반적으로 긴급한 현장 진단에 적합하지 않다. 예를 들어, 뇌졸중은 전 세계적으로 장애와 사망의 주요 원인 중 하나이다. 호주 뇌졸중 재단 기구(Australian Stroke Foundation Organization)에 따르면, 2017년도에 55,831 명의 호주인이 매 9분마다 생명을 위협하는 뇌졸중을 앓고 있으며, 조치를 취하지 않으면 2050년도까지 매 4분마다 1명의 뇌졸중으로 증가할 것이다. 마찬가지로 뇌 손상의 경우에도 환자를 구하기 위해 빠른 진단이 필요한 경우가 종종 있다. 중증 뇌 손상에는 외상성 및 후천성 뇌 손상이 포함되며, 이는 각각 외력(예를 들어, 낙상 또는 사고) 또는 내부 발생(예를 들어, 뇌졸중 또는 종양)에 의해 발생한다. 뇌 손상을 입은 환자는 즉각적인 치료가 필요하다는 것은 잘 알려져 있다. 뇌 손상이 시작될 때부터 매초 수백만 개의 뇌 세포가 죽어 영구적인 손상을 일으키고 경우에 따라 사망에 이른다. 따라서 이러한 손상의 즉각적인 현장 진단을 위해서는 신속하고 휴대 가능한 진단 시스템이 필요하다.
전자기 영상은 의료용으로 매력적인 기술이며, 비용 효율적이고 안전한 방식으로 인체 내부를 시각적으로 표현할 수 있는 잠재력을 가지고 있다. 전자기 공학 관점에서, 인체는 유전(dielectric) 특성이 다른 특징과 조직을 특징으로 하는 전자기적으로 이질적인 매체이다. 또한, 손상된 조직은 건강한 조직에 비해 유전체 유전율 및 전도도 값이 다르다. 인접한 건강한 조직에 비해 유전율 값이 높은 손상된 조직이 마이크로파 주파수의 전자파에 노출되면, 파의 대부분이 방사선원을 향해 다시 반사된다. 마이크로파 의료 영상 시스템은 사람의 머리와 같은 영상화 대상 내부로 전자파를 전송하는 데 이용될 수 있다. 전자기 특성의 변화로 인해 머리 내의 손상된 조직(예를 들어, 특히 뇌 내의 출혈 또는 혈전 부위)에서 반사되는 마이크로파 신호가 시스템에 의해 수신되고 측정되며, 측정된 신호를 나타내는 데이터는 비정상 위치 및/또는 유전 특성을 추정하고 손상된 조직을 보여주는 머리의 2차원 또는 3차원 영상을 생성하기 위해 처리될 수 있다.
데이터 처리 단계는 전자기 영상 시스템에서 중요한 역할을 한다. 산란된 전자기 신호의 측정으로부터 의료 표적을 검출하기 위해 다양한 영상 기술이 이용되어 왔다. 이러한 기술은 고유한 솔루션이 없는 비선형 방정식(단층 촬영)을 풀어 조직의 유전 특성을 추정하려고 시도하며, 그 솔루션은 입력 데이터에 지속적으로 의존하지 않거나 또는 시간-도메인 레이더 기반 기술을 이용하여 표적의 위치를 찾을 수 없다. 단층 촬영 기반 기술은 시간 소모적인 특성으로 인해 단일 주파수 또는 협 대역 다중 주파수 신호에 거의 독점적으로 적용할 수 있으므로, 빠른 진단이 필요한 뇌 손상 검출과 같은 의료 응급 상황에서 이용하기에 적합하지 않다. 대안으로, 레이더 기반 영상화에서는, 영상화 도메인의 산란 프로파일이 2차원 또는 3차원 영상에 매핑(mapping)된다. 이 방법은 필요한 데이터 처리가 단층 촬영보다 간단하고 빠르기 때문에, 고 해상도로 초 광대역 주파수 대역을 이용할 때 더 적합하다. 그러나 공 초점(confocal), 시공간 빔 형성 MIST, 및 적응형 빔 형성 영상화 방법과 같은 현재의 레이더 영상화 방법은 DAS(delay-and sum) 기반 처리 기술을 이용하며, 이는 결과적으로 잘못된 검출을 가져올 수 있는 외부 레이어 반사 및 내부 레이어 굴절에 취약하다. 또한 상이한 주파수에서 조직을 통한 신호 침투의 변화는 이러한 지연 계산의 효율성을 제한하고, 결과적으로 생성되는 영상의 정확도를 제한한다. 이러한 어려움을 감안할 때, 인체의 이질적인 다층 구조의 다중 반사 및 굴절로 인한 단층 촬영 기술의 고유하지 않고 계산 비용이 많이 드는 솔루션이나 부정확한 처리로 인해 어려움을 겪지 않는 빠른 영상화 방법이 필요하다.
그러므로, 종래 기술의 하나 이상의 어려움을 극복 또는 경감하거나 적어도 유용한 대안을 제공하는 것이 바람직하다.
발명의 요약
본 발명의 일부 실시형태에 따르면, 다음 단계를 포함하는 의료 영상화 방법이 제공된다:
(i) 복수의 상이한 신호 주파수에서 피험자 신체 부위의 조직으로부터 전자기 신호의 산란에 대한 단일 정적 또는 다중 정적 측정을 나타내는 산란 데이터를 수신함에 있어, 전자기 신호는 하나 이상의 안테나로부터 방출되고 대응하는 산란 신호는 하나 이상의 안테나에 의해 측정되는 산란 데이터 수신 단계;
(ii) 산란 데이터를 처리하여 피험자 신체 부위 내 조직의 복수 산란 위치 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 값을 계산하는 단계;
(iii) 각각의 산란 위치에 대해, 복수의 주파수 및 복수의 안테나에 걸쳐 산란 위치에서 계산된 전기장 전력 값을 합산하여 신체 부위 내 조직의 영상을 생성하는 단계; 및
(iv) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 신체 부위 내 조직의 모델을 반복적으로 업데이트 하고, 업데이트된 모델은 피험자 신체 부위 내 조직의 영상으로서 출력되는 단계.
일부 실시형태에서, 측정은 다중 정적 측정으로서 전자기 신호가 신체 부위 주위에 배치된 복수의 안테나 각각으로부터 선택적으로 방출되고 대응하는 산란 신호가 복수의 안테나 각각에 의해 측정된다.
신체 부위는 머리일 수 있고, 조직은 피험자의 뇌 조직을 포함한다.
일부 실시형태에서, 영상화 방법은 다음 단계를 포함한다:
(v) 템플릿 라이브러리로부터 피험자에 가장 적합한 기본 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자 신체 부위 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계; 및
(vi) 피험자 신체 부위의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 신체 부위 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해 선택된 기본 템플릿과 피험자 신체 부위의 외형 치수 및/또는 형상 측정을 처리하는 단계.
일부 실시형태에서, 산란 데이터를 처리하는 단계는 다음 단계를 포함한다:
(vii) 산란 데이터로부터 클러터(clutter)를 정규화 및 제거하는 단계; 및
(viii) 전기장 전력 값을 계산하기 위해 정규화되고 클러터 제거된 산란 데이터를 처리하는 단계.
일부 실시형태에서, 산란 데이터로부터 클러터를 제거하는 것은 산란 데이터로부터 강한 반사 및 클러터를 제거하기 위해, 측정된 전자기 신호의 평균값을 결정하고 각 주파수에서 각 신호 측정치로부터 평균값을 빼는 것을 포함한다.
일부 실시형태에서, 영상화 방법은 신체 부위에 대해 측정된 산란 파라미터를 신체 부위 부재 하에 영상화 도메인의 측정된 산란 파라미터로 나누고, 영상화 도메인이 매칭 매체 또는 평균 신체 부위 팬텀(phantom)의 유전 특성을 갖는 물질로 채워짐으로써 산란 데이터를 교정(calibrating)하는 것을 포함한다.
일부 실시형태에서, 영상화 방법은 주파수 도메인 신호를 시간 도메인 신호로 변환하고 시간 도메인 신호를 해당 그래프에 매핑함으로써 신체 부위 내의 비정상 조직을 출혈성 또는 허혈성(ischemic)으로 분류하는 단계, 그래프의 노드 차수(node degree) 및 차수(degree) 시퀀스 특성을 결정하는 단계, 그래프의 유사성을 평가하기 위해 그래프 차수 상호 정보를 계산하는 단계, 및 그래프 차수 상호 정보 특징과 그에 대응하는 클래스 라벨의 트레이닝 세트를 이용하여 분류기를 트레이닝 하고, 피험자 신체 부위 내의 조직에 대해 계산된 그래프에 분류기를 적용하는 단계를 포함한다.
일부 실시형태에서, 영상화 방법은 피험자 뇌의 상이한 반구에 대한 신호들 사이의 큰 차이를 식별하기 위해 대응하는 대향 안테나 쌍에 대한 신호를 비교하는 것을 포함하며, 이들은 반구 중 하나에서 비정상을 나타낸다.
본 발명의 일부 실시형태에 따르면, 의료 영상 시스템의 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가 상기 프로세스 중 어느 하나를 실행하게 하는 프로세서 실행 가능 명령이 저장된 컴퓨터 판독 가능 저장 매체가 제공된다.
본 발명의 일부 실시형태에 따르면, 상기 프로세스 중 어느 하나를 실행하도록 구성된 컴포넌트를 포함하는 의료 영상화 장치가 제공된다.
본 발명의 일부 실시형태에 따라서, 하기 구성요소(i) 및(ii)를 포함하는 의료 영상화 장치를 제공한다:
(i) 복수의 서로 다른 신호 주파수에서 피험자 신체 부위의 조직으로부터 전자기 신호의 산란에 대한 단일 정적 또는 다중 정적 측정을 나타내는 산란 데이터를 수신하기 위한 입력 장치로서, 전자기 신호는 하나 이상의 안테나로부터 방출 되고, 대응하는 산란 신호는 하나 이상의 안테나에 의해 측정되는 입력 장치; 및
(ii) - 산란 데이터를 처리하여 피험자 신체 부위 내 조직의 복수의 산란 위치 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 값을 계산하고;
- 산란 위치 각각에 대해, 복수의 주파수 및 복수의 안테나에 걸쳐 산란 위치에서 계산된 전기장 전력 값을 합산하여 신체 부위 내 조직의 영상을 생성하고; 그리고
- 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 신체 부위 내 조직의 모델을 반복적으로 업데이트 하고, 업데이트 된 모델이 피험자 신체 부위 내 조직의 영상으로서 출력되도록 구성된 영상 생성 컴포넌트.
일부 실시형태에서, 측정은 다중 정적 측정으로서 전자기 신호가 신체 부위 주위에 배치된 복수의 안테나 각각으로부터 선택적으로 방출되고 대응하는 산란 신호가 복수의 안테나 각각에 의해 측정된다.
일부 실시형태에서, 신체 부위는 머리이고, 조직은 피험자의 뇌 조직을 포함한다.
일부 실시형태에서, 영상화 장치는,
템플릿 라이브러리로부터 피험자에 가장 적합한 기본 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자 신체 부위 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계를 수행하고; 그리고
피험자 신체 부위의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 신체 부위 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해, 선택한 기본 템플릿과 피험자 신체 부위의 외형 치수 및/또는 형상 측정을 처리하는 단계를 수행하는 템플레이트 생성기를 포함한다.
또한, 본 명세서에서는 다음 단계(i) 내지 (vii)을 포함하는, 피험자 신체 부위의 조직을 영상화하는 방법을 설명한다:
(i) 템플릿 라이브러리로부터 피험자에 가장 적합한 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자 신체 부위 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계;
(ii) 피험자 신체 부위의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 신체 부위 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해, 선택한 템플릿과 피험자 신체 부위의 외형 치수 및/또는 형상의 측정을 처리하는 단계;
(iii) 복수의 상이한 신호 주파수에서 피험자 신체 부위의 조직으로부터 마이크로파 산란의 다중 정적 측정을 나타내는 산란 데이터를 수신하는 단계;
(iv) 산란 데이터로부터 클러터를 정규화하고 제거하는 단계;
(v) 정규화되고 클러터 제거된 산란 데이터를 처리하여 피험자 신체 부위 조직의 복수의 산란 위치 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 밀도를 계산하는 단계;
(vi) 각 산란 위치에 대해, 복수의 주파수에 걸쳐 산란 위치에서 계산된 전기장 전력 밀도를 합산하여 피험자 신체 부위 조직의 영상을 생성하는 단계; 및
(vii) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 피험자 신체 부위 조직의 모델을 반복적으로 업데이트 하고, 업데이트 된 모델은 적어도 피험자 신체 부위 조직의 영상으로서 출력되는 단계.
일부 실시형태에서, 피험자의 신체 부위는 피험자의 머리이다.
또한, 본 명세서에서는 다음 단계(i) 내지(vii)을 포함하는, 피험자의 뇌 조직을 영상화하는 방법을 설명한다:
(i) 템플릿 라이브러리로부터 피험자에 가장 적합한 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자의 머리 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계;
(ii) 피험자 머리의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 머리 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해, 선택된 템플릿과 피험자 머리 조직의 외형 치수 및/또는 형상의 측정을 처리하는 단계;
(iii) 복수의 상이한 신호 주파수에서 피험자의 뇌 조직으로부터 마이크로파 산란의 다중 정적 측정을 나타내는 산란 데이터를 수신하는 단계;
(iv) 산란 데이터로부터 클러터를 정규화하고 제거하는 단계;
(v) 정규화되고 클러터 제거된 산란 데이터를 처리하여 피험자 뇌 조직의 복수의 산란 위치 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 밀도를 계산하는 단계;
(vi) 각 산란 위치에 대해, 복수의 주파수에 걸쳐 산란 위치에서 계산된 전기장 전력 밀도를 합산하여 피험자 뇌 조직의 영상을 생성하는 단계; 및
(vii) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 피험자 머리 조직의 모델을 반복적으로 업데이트 하고, 업데이트 된 모델은 적어도 피험자 뇌 조직의 영상으로서 출력되는 단계.
또한, 본 명세서에서는 다음 단계(i) 내지(iv)을 포함하는, 피험자의 의료 영상화 방법을 설명한다:
(i) 복수의 상이한 신호 주파수에서 피험자의 조직으로부터 전자기 신호의 산란에 대한 다중 정적 측정을 나타내는 산란 데이터를 수신하는 단계;
(ii) 산란 데이터를 처리하여 피험자 조직의 각 복수 산란 위치에서 그리고 복수의 주파수 각각에 대해 전기장 전력 밀도를 계산하는 단계;
(iii) 각각의 산란 위치에 대해, 복수의 주파수에 걸쳐 산란 위치에서 계산된 전기장 전력 밀도를 합산하여 피험자 조직의 영상을 생성하는 단계; 및
(iv) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 피험자 조직의 모델을 반복적으로 업데이트 하고, 업데이트된 모델은 피험자 조직의 영상으로서 출력되는 단계.
일부 실시형태에서, 조직은 피험자의 뇌 조직을 포함한다.
본 발명의 일부 실시형태는 첨부 도면을 참조하여 실시예로서 만 이하에서 설명된다.
도 1은 본 발명의 일 실시형태에 따른 전자기 의료 영상 시스템의 개략도이다.
도 2는 도 1의 시스템의 분석 컴포넌트의 블록도이다.
도 3은 본 발명의 일 실시형태에 따른 전자기 의료 영상화 방법의 흐름도이다.
도 3a는 도 3의 영상화 방법의 교정 프로세스의 교정 모델의 블록도이다.
도 3b는 교정 프로세스를 위한 결합 매체로 채워진 안테나 어레이의 개략도이다.
도 4a 및 b는 도 3의 영상화 방법의 템플릿 생성 프로세스의 흐름도이다.
도 5는 도 3의 영상화 방법에서 환자 특정 헤드 템플릿으로부터 융합된 영상의 생성을 보여주는 흐름도이다.
도 6은 영상화 방법의 MRI에서 EM으로의 변환 프로세스의 흐름도이다.
도 7은 도 3의 영상화 방법의 영상 생성 프로세스의 흐름도이다.
도 8은 도 2의 분석 컴포넌트의 비모그래피(beamography) 컴포넌트의 기능 블록도이다.
도 9는 도 7의 영상 생성 프로세스의 비모그래피 프로세스의 흐름도이다.
도 10은 송신 안테나로부터 영상화 도메인으로의 마이크로파 신호의 전송, 영상화 도메인 내의 마이크로파 신호의 산란 및 수신 안테나에 의한 산란 신호의 검출을 나타내는 개략도이다.
도 11 내지 도 19는 다음과 같이 영상화 방법의 분류 프로세스의 상이한 부분 또는 하위 프로세스를 나타낸다.
도 11은 분류 및 위치 특정(localization) 이전의 분류 프로세스의 데이터 처리 및 분석 단계의 흐름도이다.
도 12는 도 11의 단계를 따르는 분류의 흐름도이다.
도 13은 도 11에 이어지는 위치 특정 단계의 흐름도이다.
도 14는 시스템에 의해 생성된 시 계열 신호의 그래프이다.
도 15는 시스템에 의해 생성된 주파수 도메인 신호의 그래프이다.
도 16a 및 b는 각각 마이크로파 신호 및 복합 네트워크 그래프이다.
도 17은 차동 가중치(differential weightiest)) 신호 쌍이 뇌졸중 표적을 가로지르는 것을 나타내는 개략도이다.
도 18은 분류 프로세스의 위치 특정 단계의 흐름도이다.
도 19는 듀크 뇌졸중(Duke Stroke) 뇌 모델의 출혈 모델 영상을 나타낸 도면이다.
도 20은 영상화 방법의 영상 융합 프로세스를 예시한 흐름도이다.
도 21은 안테나로 둘러싸인 피험자의 머리에 대한 개략적인 횡단면 평면도로서, 피험자 뇌의 어느 반구가 관심의 특징(예를 들어, 혈액 덩어리)을 포함하는지를 식별하기 위한 프로세스 단계를 예시하고: 2개의 후보 교차점(L0, R0)은 각각 왼쪽 및 오른쪽 반구에 있고; L0 및 R2 안테나를 가로지르는 R1에 대한 제5 안테나는 L0 및 R0에서 멀리 떨어진 인접 안테나이고; 반면에 제5 안테나와 L2 안테나를 제외하고 R0를 거의 가로지르는 L1에 대한 제13 안테나는 L0와 R0에서 멀리 떨어져 있다.
본 명세서에 기재된 전자기 영상 시스템 및 방법은 안전한 방식으로 대상 내 내부 구조의 영상을 신속하게 생성할 수 있다. 기재된 시스템 및 영상화 방법은 인간 피험자(특히 인간의 뇌 내)에서 내부 손상 및/또는 질병을 검출하고 특성화하는 일차 목적을 위해 개발되고 그러한 맥락에서 여기에 설명되어 있지만, 시스템과 영상화 방법의 수 많은 양태는 인체의 다른 부분, 기타 생명체, 심지어는 비생물이나 무생물 대상에도 적용될 수 있다.
도 1에 도시된 바와 같이, 의료 영상, 특히 뇌 손상을 검출하기 위한 시스템은 안테나 어레이, 벡터 네트워크 분석기(VNA) 또는 트랜시버(104) 및 분석컴포넌트(106)를 포함하는 안테나 어셈블리 또는 플랫폼(102)을 포함한다. 기재된 실시형태에서, 안테나 어셈블리 또는 플랫폼(102)은, 도 1에 도시된 바와 같이, 뇌를 영상화 할 인간 피험자의 머리에 배치된다. 안테나 플랫폼(102)은 피험자 주위에 배치된 안테나 어레이를 포함하고, 어레이의 각 안테나가 선택적으로 통전되어 전자파 또는 마이크로파 주파수의 신호 및 해당 신호를 전송한 안테나를 포함하여 어레이의 모든 안테나에서 검출된 해당 산란 신호를 피험자의 머리 내부 및 그를 통해 방사하여 산란시킬 수 있다. 편의상 참고를 위해, 어레이의 각 안테나가 해당 마이크로파 신호를 순차적으로 전송하고, 모든 안테나를 사용하여 해당 산란 신호를 수신하는 전체 과정을 '스캔'이라고 한다.
당 업자에게 명백한 바와 같이, 벡터 네트워크 분석기(VNA)(104)는 전술한 바와 같이 안테나에 에너지를 공급하고, 당 업계에 "산란 파라미터" 또는 "S-파라미터"로 알려진 형태로 산란된 마이크로파의 진폭 및 위상을 나타내는 데이터(본 명세서에서는 '산란' 데이터라고 함)로서 안테나로부터의 해당 신호를 기록한다. VNA(104)는 영상화 된 대상의 내부 특징(예를 들어, 뇌 혈전, 출혈 부위 및 기타 특징)의 영상을 생성하고 이러한 특징(예를 들어, 뇌 혈전 또는 출혈 부위)을 분류하기 위한 처리를 위해 이 데이터를 분석 컴포넌트(106)로 전송한다. 기재된 실시형태에서, 100 dB 이상의 큰 동적 범위 및 -100 dBm 미만의 노이즈 플로어(noise floor)를 갖는 VNA는 0.5 내지 4 GHz의 주파수 대역에 걸쳐 전자기 신호를 전송하고, 그 안테나로부터 산란된 신호를 수신하기 위해 안테나를 통전하는 데 사용된다.
기재된 실시형태의 분석 컴포넌트(106)는 (도 1에 도시된 바와 같이) 컴퓨터의 형태이지만, 이것은 다른 실시형태의 경우일 필요는 없다. 도 2에 도시된 바와 같이, 분석 컴포넌트(106)는 64-비트 인텔 아키텍처 컴퓨터 시스템이고, 분석 컴포넌트(106)에 의해 실행되는 프로세스는 컴퓨터 시스템과 관련된 비 휘발성(예를 들어, 하드디스크 또는 솔리드-스테이트 드라이브) 스토리지(204)에 저장된 하나 이상의 소프트웨어 모듈(202)의 프로그래밍 명령으로서 구현된다. 그러나 이러한 프로세스의 적어도 일부는 ASIC(application-specific integrated circuits) 및/또는 하나 이상의 FPGA(Field Programmable Gate Array)에 대한 구성 데이터와 같은 하나 이상의 전용 하드웨어 컴포넌트로서 대안적으로 구현될 수 있음이 분명하다.
분석 컴포넌트(106)는 모두 버스(216)에 의해 상호 결합되는, 랜덤 액세스 메모리(RAM)(206), 적어도 하나의 프로세서(208), 및 외부 인터페이스(210, 212, 214)를 포함하는 표준 컴퓨터 컴포넌트를 포함한다. 외부 인터페이스는, 적어도 하나가 키보드(218) 및 마우스(219)와 같은 포인팅 장치에 결합되는 범용 직렬 버스(USB) 인터페이스(210), 분석 컴포넌트(106)를 인터넷(220)과 같은 통신 네트워크에 연결하는 네트워크 인터페이스 커넥터(NIC)(212), 및 LCD 패널 디스플레이(222)와 같은 디스플레이 장치에 연결되는 디스플레이 어댑터(214)를 포함한다.
분석 컴포넌트(106)는 또한 리눅스(Linux) 또는 마이크로소프트 윈도우와 같은 운영 체제(224)를 포함하는 다수의 표준 소프트웨어 모듈(226 내지 230)을 포함한다. 기재된 실시형태에서, 분석 컴포넌트(106)는 또한 http://www.apache.org에서 이용 가능한 아파치(Apache)와 같은 웹 서버 소프트웨어(226), http://www.php.net에서 이용 가능한 PHP와 같은 스크립팅 언어 지원(228), 마이크로소프트 ASP, 및 SQL 데이터베이스(232)에서 데이터를 저장하고 검색할 수 있는 http://www.mysql.com에서 이용 가능한 MySQL과 같은 SQL(structured query language) 지원(230)을 포함한다.
이와 함께, 웹 서버(226), 스크립팅 언어 모듈(228), 및 SQL 모듈(230)은, 표준 웹 브라우저 소프트웨어가 설치된 표준 컴퓨팅 장치를 사용하는 인터넷(220)의 이용자가 분석 컴포넌트(106)에 액세스하고, 특히 데이터베이스(232)에 데이터를 제공하고 그로부터 데이터를 수신할 수 있도록 하는 일반적인 기능을 분석 컴포넌트(106)에 제공한다.
그러나, 분석 컴포넌트(106)에 의해 그러한 이용자에게 제공되는 특정 기능은, 프로세스를 구현하는 하나 이상의 소프트웨어 모듈(202)을 포함하는 웹 서버(226)에 의해 액세스 가능한 스크립트에 의해, 및 마크업(markup) 언어(예를 들어, HTML, XML) 스크립트, PHP(또는 ASP) 및/또는 CGI 스크립트, 영상 파일, 스타일 시트 등을 포함하는 다른 지원 스크립트 및 데이터(234)에 의해 제공된다는 것을 당업자는 이해할 것이다.
본 명세서에 기재된 시스템은, 도 3에 도시된 바와 같이, 뇌 영상화를 위한 프로세스로도 지칭되는 의료 영상화 방법을 실행한다. 이 프로세스는 단계(302)에서 안테나 플랫폼(116)에 대한 교정 데이터를 생성함으로써 시작된다. 시스템에 의해 실행되는 영상 재구성 및 분류 프로세스는 안테나로부터 수집된 고 충실도 데이터에 의존한다. 그러나, 실제 시나리오에서 시스템은 서로 다른 어댑터 및 안테나 발룬(balun)으로 연결된 길이와 굽힘 프로필이 서로 다른 무선 주파수(RF) 케이블을 사용한다. 또한, 안테나 자체는 1) 제조 변동/오류, 및 2) 안테나가 내장된 매체의 불안정한 유전 특성으로 인해 항상 약간 다르다. 시스템 내의 서로 다른 RF 채널(케이블, 어댑터 및 안테나 포함) 간의 이러한 불확실한 변화는 진폭과 위상 모두에서 신호 차이를 유발하고, 궁극적으로 영상화 재구성/분류의 검출, 해상도 및 신뢰성을 저하시키는 측정 오류를 생성한다.
이러한 변동 및 왜곡의 영향을 완화하기 위해, 시스템은 측정 오류를 제거하거나 적어도 감소시키기 위한 주파수-도메인 교정 컴포넌트 및 대응하는 데이터 교정 프로세스를 포함한다. 실제로, 교정 프로세스는 피험자의 각 스캔 직전에 이상적으로 실행되지만, 덜 자주, 예를 들어 매일 시작될 때에 만 실행될 수도 있다.
VNA(104)가 모든 N 포트에서 잘 교정되었다고 가정하면, 시스템에 대한 교정 모델은, 도 3a에 도시된 바와 같이, 특정 전송-라인 오류 모델 및 안테나 불확실성 매트릭스를 사용한다. 왼쪽의 전송-라인 오류 모델은 각 VNA 포트에서 해당 안테나 요소로 연결된 동축 케이블 및 캐스케이드 어댑터를 나타낸다. 동축 라인(및 어댑터)은 삽입 손실이 거의 없는 우수한 전송 품질이므로, 이러한 케이블 간의 가장 큰 차이는 주로 굽힘 프로필과 효과적인 물리적 길이 오류(△L i )로부터 발생한다. 모든 케이블에 대해 원하는 길이가 L0라고 가정하면, 채널-i의 케이블(어댑터 포함)의 유효 길이는 L 0 + △L i( (△L i ≪ L 0 )로 표현될 수 있다. 동시에, 동일한 채널에 사용된 안테나 요소와 발룬은, 주파수 의존적 게인 G i (f)을 갖는 방향성 포인트 소스와 캐스케이드된 주파수 의존적 위상 시프터
Figure pct00001
로 표시되는 바와 같이, 위상 지연 및 게인 불확실성 수준을 갖는다는 것을 고려해야 한다. 이 모델의 지향성 포인트 소스는 안테나 위상 중심과 같은 위치에 있기 때문에 자체적으로 위상 시프트에 기여하지 않는다.
이 모델에서, 각 채널에는 3개의 오류 파라미터가 있는데, 첫 번째 오류는 동축 케이블과 어댑터(△L)에서 발생하고, 나머지 두 오류 [G(f),
Figure pct00002
]는 안테나 요소와 그의 발룬으로부터 발생한다. 다음 교정 프로세스는 아래 설명된 영상 재구성/분류 프로세스를 구현하기 전에 측정된 S-파라미터를 수정하기 위해 이러한 오류 파라미터를 결정한다.
단계 #1: 각 RF 채널에 대해, 반사 대상을 안테나 요소와 직접 접촉시켜 방사 개구를 무효화하고 단락 회로 반사를 생성한다. (단부 개방형 도파관과 같은 개구 기반 안테나의 경우, 단락 회로 구성은 할당된 방사 개구와 중첩되는 완전한-E 경계 조건에 의해 구현될 수 있고, 쌍극자 또는 보타이(bowtie)와 같은 공진 기반 안테나의 경우, 단락 회로 구성은 안테나가 공진하지 않도록 급전 섹션에 바로 연결된 비아(via)를 본딩함으로써 생성될 수 있다.)
그 다음, N-포트 VNA(104)로부터 S ii 데이터 {S11, S22,…, S NN }을 기록한다. 이 경우,
Figure pct00003
Figure pct00004
로 하면,
Figure pct00005
로 된다.
단계 #2: 도 3b에 개략적으로 도시된 바와 같이, 영상화 도메인 내에 균질하고 저 손실 결합 메체를 삽입한다. 이 결합 메체의 형상은 안테나 어레이의 형상과 일치해야 하며, 그 유전율 값은 사람의 머리로 기재된 실시형태에서 영상화된 대상의 평균값에 가까워야 한다. 그 다음, N-포트 VNA(104)를 사용하여 Sij(f)(i≠j) 데이터를 기록한다. 이 경우 다음과 같다:
Figure pct00006
상기 식에서,
U(f)는 개별 안테나의 특성과 무관한 특정 전파 모델의 안테나 요소에 대한 결합 계수를 나타낸다.
안테나 상호 결합과는 다른 개념이다. 결합 계수 비율(|U ij (f)/U jk (f)|)의 값은 분석 방식으로 결정될 수 있으며, 모든 포인트 소스의 게인이 동일(G 1 (f)=G 2 (f) =ㆍㆍㆍ= G N(f))하다고 가정하여 이상적인 시뮬레이션 환경에서 계산할 수 있다, 이 경우 다음과 같다:
Figure pct00007
상기 식에서,
Figure pct00008
는 시뮬레이션에서 결정된 계수이다.
전술한 교정 프로세스는 시스템에서 서로 다른 RF 채널 사이의 위상 및 진폭 차이를 결정한다. 채널-1이 기준 채널로 지정되면, 다음 변환 함수를 이용하여 후 처리 알고리즘에서 이용할 측정 데이터를 수정한다.
Figure pct00009
단계(302)에서 안테나 어레이에 대한 교정 데이터를 생성한 후, 시스템은 영상화 될 대상을 스캔 하는 데 이용될 수 있다. 프로세스를 용이하게 하기 위해, 도 4에 도시된 바와 같이, 템플릿 생성 프로세스(400)가 실행되어 기계 학습에 의해 대상의 입력 템플릿(416)을 생성한다.
템플릿 생성(400)
템플릿 생성 프로세스(400)는 다수의 MRI 및/또는 CT 기반 정보 샘플로부터 학습된 구조뿐만 아니라, 대상에 대한 외부 및 알려진 속성에 기초하여 대상에 대한 내부 정보를 추정한다. 이것의 목적은 기재된 실시형태에서 상이한 머리 조직의 공간 분포의 지도를 제공하는 것이다. 템플릿 생성 프로세스(400)는, 도 4에 도시된 바와 같이, 머리가 시스템에 의해 스캔될 피험자에 대한 생체 데이터 및 머리 표면을 나타내는 데이터를 획득함으로써 단계(402)에서 시작된다. 구체적으로, 피험자의 연령, 성별, 체중(가능한 경우, 인종 및 키에 추가하여)이 결정되고 사용자에 의해 시스템에 입력된다. 단계(406)에서, 시스템은 피험자 머리의 외형을 나타내는 피험자 머리 데이터를 생성한다. 기재된 실시형태에서, 이것은 도 1에 도시된 바와 같이, 3D 카메라(108)를 사용하여 수행되어 피험자 머리의 3차원(3D) 표면을 생성한다. 가발 캡 또는 이와 유사한 것을 사용하여 피험자의 머리카락을 낮출 수 있다. 대안으로, 안테나 어레이 자체를 사용하여 피험자 머리 데이터를 추정하여 피험자 머리의 외부 경계를 측정할 수 있다.
단계(408)에서, 시스템은 기본 템플릿을 제공하기 위해 피험자의 생체 데이터 및 피험자 머리의 3D 스캔 표면을 이용한다. 다음 3가지 옵션 중 하나를 선택하여 이용한다:
1. 실제 피험자 머리의 이전 스캔을 템플릿으로 이용함;
2. 템플릿 라이브러리를 이용하여 가장 가까운 이웃을 통해 현재 피험자에 가장 가까운 머리를 찾음(환자 생체 데이터 및 머리 표면을 기반으로 함); 또는
3. 기계 학습을 이용하여 가장 가능성이 높은 머리를 직접 예측함(환자 생체 데이터 및 머리 표면을 기반으로 함).
옵션 1에서, 피험자의 이전 뇌 스캔이 이용된다. 스캔 데이터는 조직 분할을 수행한 다음 조직 속성 할당(조직 분할에 의해 식별된 상이한 조직에 유전율 및 전도도 값 할당)을 수행하여 적절한 전자기 형식으로 변환된다.
옵션 2에서, 시스템은 시스템에 국소적으로 저장되거나 인터넷을 통해 원격으로 액세스되는 헤드 템플릿 데이터베이스에서 해당 헤드 템플릿을 자동으로 선택하므로 생체 데이터 및 표면이 피험자의 생체 데이터와 가장 근접한 저장된 헤드 템플릿은 피험자의 초기 헤드 템플릿으로 선택된다. 기재된 실시형태에서, 이는 당 업자에게 알려진 회귀 또는 최 근접 이웃 분류와 같은 표준 기계 학습 방법을 이용하여 수행된다.
옵션 3에서, 머리의 표면과 생체 데이터를 입력 받아 템플릿 라이브러리 없이 템플릿 헤드를 직접 학습하고 예측하는 기계 학습 모델을 개발한다. 이는 심층 신경망과 같은 기계 학습 모델을 학습하여 머리가 취할 수 있는 값과 입력에 따라 어떻게 달라지는 지를 학습함으로써 작동한다. 이는 피드 포워드(feed-forward) 심층 신경망을 통해 또는 GAN(Generative Adversarial Network) 또는 VAE(Variational Auto-Encoder)와 같은 생성 모델을 통해 달성될 수 있다.
템플릿의 생성
기재된 실시형태에서, 헤드 템플릿은 MRI 데이터로부터 생성되며, 이는 모델링을 위한 대규모 데이터 소스뿐만 아니라, 고 해상도 조직 분포를 제공하기 때문이다. MRI에서, 상이한 강도 값은 자기 특성에 따라 상이한 조직에 해당한다. 이를 전자기 영상화에 이용 가능한 형식으로 변환해야 하며, MRI에서 EM으로의 변환은 다음과 같이 수행된다:
1) 먼저, MRI/CT 데이터를 상이한 조직으로 분할한다. 스캔의 방향과 강도가 먼저 정규화되고(예를 들어, 바이어스 필드 교정을 통해), 뇌는 뇌 영역과 비뇌 영역으로 분할된다. 그 다음, 강도 값을 기본으로, Fuzzy-C-Means 클러스터링 또는 FAST와 같은 다중 조직 분할 알고리즘을 이용하여 뇌 영역을 3가지 조직 유형(회색, 흰색 및 CSF(뇌척수액))으로 분할하고, 그리고 마찬가지로 비뇌 영역을 두개골 영역과 피부 영역으로 분할한다. 3D U-Net과 같은 심층 신경망 접근 방식도 이용될 수 있으며, 여러 양식을 활용하여 분할을 개선할 수 있다.
2) 원하는 영상화 빈도에서 유전 특성 표를 기반으로 상이한 조직에 조직 값을 할당한다.
각 템플릿은 피부, 두개골, 뇌척수액(CSF), 뇌의 흰색 물질 및 회색 물질을 포함하는 머리의 다양한 조직의 공간 및 유전 특성(유전율 및 전도도 값)을 규정하는 인간 머리의 2차원 또는 3차원 모델을 나타낸다. 이는 해당 조직의 유전 특성(유전율 및 전도도)에 해당하는 값으로 픽셀(2D) 또는 복셀(3D)의 맵을 효과적으로 형성한다.
피험자 머리의 3차원 형상과 대응하는 베이스 헤드 템플릿을 결정한 후, 단계(408)에서 선택된 베이스 헤드 템플릿은 그 외부 표면이 측정된 피험자 머리의 형상과 일치하도록 변형 또는 '와핑(warp)된다'. 기재된 실시형태에서, 이는 먼저 다음 표면 기반 등록 프로세스에 따라 베이스-헤드-템플릿과 실제 환자의 머리 표면 사이의 랜드마크 포인트를 와핑함으로써 수행된다.
먼저, 환자의 해부학적 랜드마크 또는 "기준(fiducials)"의 위치: 비근점(NAS, Nasion), 좌우측 귀 앞쪽 지점(따라서, LPA 및 RPA)이 결정된다. 이는 디지타이저를 사용하거나 또는 이러한 3 위치에 수동으로 마커를 배치하고, 그리고 컴퓨터 비전-기반 마커 검출을 이용하여 달성되거나, 또는 그들은 시스템의 컴퓨터 인터페이스를 이용하여 수동으로 라벨링(labelled) 될 수 있다. 이러한 해부학적 랜드마크 또는 "기준"은, 스캔된 표면으로 하여금 양의 X, Y 및 Z가 각각 NAS, LPA 및 머리 상단을 통과하는 정규화 된 좌표로 변환할 수 있게 한다.
랜드마크 위치 특정: EEG에서 사용되는 10-20 또는 10-5의 일반적인 구성을 따르는 대신, 보다 조밀한 랜드마크 세트가 생성되며, 여기서 랜드마크 포인트는 기준점(fiducial)과 3D 머리 표면을 기반으로 추출된다. 기준점으로부터, 여러 평면이 생성되고, 평면과 머리 표면 사이의 교차점은 랜드마크 위치를 제공한다. 선택된 랜드마크 포인트의 수는 원하는 밀도와 정확도에 따라 달라지며, 일반적으로 포인트 수가 많을수록 정확도가 높아진다. 이 랜드마크 위치 특정 프로세스는 자동으로 수행된다.
와핑(Warping)은 측정된 머리의 해부학적 구조를 예측하기 위해, 랜드마크 포인트를 통해 제시된 측정된 표면으로부터 머리의 예로 매핑하는 프로세스이다. 기재된 실시형태에서는, 탄성 와핑 방법이 다른 실시형태에서 대안으로 이용될 수 있지만, 이는 TPS(Thin Plate Spline) 와핑을 이용하여 수행된다. 그 결과 얻어진 데이터는 균일한 그리드로 다시 샘플링되고 영상화 알고리즘에 적합한 형식으로 변환된다(예를 들어, CAD 모델로 변환).
실제 피험자로부터 생성된 데이터로 템플릿을 쉽게 이용하려면 템플릿과 환자 간에 일관된 좌표가 필요하다(즉, 복셀이 3D 공간에서 동일한 위치에 있어야 직접 비교할 수 있음). 기재된 실시형태에서, 이는 안테나 센서 위치를 기준점에 일치시킴으로써 달성된다(3D 카메라(108)사용).
"옵션 3"의 기계 학습 모델은 머리를 예측하도록 반복적으로 트레이닝 되며, 최적화되어야 하는 관련 오류 또는 비용 함수가 있다. 이 비용은 기계 학습 모델의 예측 템플릿과 실제 환자 머리 사이의 차이이다. 좋은 모델은 비용이 저렴한 모델을 예측한다. 즉, 실제 머리와 매우 유사한 템플릿 헤드를 예측한다. 그 다음, 트레이닝 데이터 세트에 없는 새로운 보이지 않는 머리에 모델을 적용할 수 있다.
전술한 바와 같은 정확한 헤드 템플릿의 생성은 본 명세서에 기술된 영상화 및 분류 프로세스가 뇌의 보다 명확하고 고품질의 영상을 생성할 수 있게 하여 뇌졸중 진단의 정확도를 상당히 향상시킨다.
도 3의 흐름도로 돌아가면, 단계(306)에서 피험자의 머리가 시스템에 의해 스캔된다. 즉, 분석 컴포넌트(106)는 VNA(104)에 안테나 플랫폼(헤드셋)(116) 내부의 안테나 어레이의 안테나에 순차적으로 에너지를 공급하도록 지시하여 마이크로파 신호 형태의 전자파를 피험자의 머리 안팎으로 생성 및 전송하므로, 그것들은 피험자의 머리 내부의 특징, 안테나 플랫폼(102) 내부의 안테나 어레이의 각 안테나에 의해 검출된 산란 신호 및 대응하는 S-파라미터를 생성하기 위한 처리를 위해 VNA(104)로 전송된 대응 신호에 의해 산란될 수 있다.
본 명세서에서 기재된 시스템 및 프로세스의 검출 능력, 영상 해상도 및 정확도는 안테나 어레이의 성능에 따라 달라지며, 시스템의 소형화 및 휴대성은 안테나 어레이와 안테나 어레이가 일부인 안테나 어셈블리(102)의 크기와 무게에 따라 달라진다. 안테나 어레이는 광대역 및 단방향 전자기 특성을 가진 개별 안테나 요소의 어레이로서 높은 FBR(front-to-back ratio)이면서도 낮은 프로파일로 컴팩트하다. 이러한 전자기 특성은 인간의 머리 조직으로의 EM 파의 높은 침투 깊이를 보장하여, 뇌 내부의 관심 특징(예를 들어, 뇌졸중)으로부터 유용한 반사 신호를 향상시키는 높은 신호 대 노이즈 비(SNR)를 생성한다. 이하에 설명되는 안테나 어셈블리(102) 및 그 어레이의 영상화 안테나는 이러한 요건을 충족한다.
안테나 어레이는 플렉서블 어레이 또는 정합 부하 도파관 어레이를 포함하여 여러 형태 중 임의의 형태로 제공될 수 있다.
수신된 마이크로파 신호(최종 영상에서 인공물을 유발할 수 있음)에서 강력한 클러터 효과를 피하기 위해, 안테나의 상호 결합 및 두피/머리카락 반사는 유전체 부하가 있는 테이퍼 또는 주름진 도파관 안테나의 형태로 안테나를 제공함으로써 최소화되거나 적어도 감소된다.
안테나는 그 단부와 영상화된 머리 사이에 적절한 가요성 결합 패드를 갖는다. 또한, 손실이 있는 디커플링 매체에 의해 부분적으로 또는 전체적으로 둘러싸여야 한다. 안테나와 머리 간의 최상의 매칭을 위해, 안테나 내부의 결합 매체와 안테나와 머리 사이의 패드는 적절한 유전 특성(유전 상수 40-50, 손실 탄젠트 0.7GHz에서 0.1 미만)을 갖도록 혼합 재료(에폭시 수지 + 알루미늄 분말, 또는 결합 매체를 위한 폴리에스테르 수지 + 알루미늄 분말, 및 가요성 패드를 위한 시아노-수지 CR-V + 세라믹 분말)로 형성되는 반면, 안테나를 둘러싼 디커플링 매체는 60 이상의 높은 유전 상수와 0.7GHz에서 1 이상의 높은 손실 탄젠트를 갖도록 재료(흑연 분말과 탄소 분말을 가진 시아노 수지 CR-S 또는 시아노 수지 CR-U)의 혼합물로 구성된다. 전체 안테나 어레이는 주변 환경의 영향으로부터 시스템을 보호하고 영상화 된 머리로부터 산란된 전기장을 흡수하기 위해 흡수체에 의해 둘러싸여야 한다. 안테나 어레이는 고정 또는 이동이 가능하다. 후자의 경우, 영상화 도메인은 크기가 다양하며, 이 경우 위치 센서와 같은 적절한 도구를 사용하여 데이터 처리 및 영상화 방법에 필요한 안테나의 정확한 위치를 결정해야 한다.
성공적인 영상 재구성을 위해, 산란된 마이크로파 신호의 대응 시간 지연을 결정하기 위해 피험자의 머리 주위에 배치된 안테나의 상대적 위치를 알아야 한다. 피험자가 헤드셋을 착용하면, 안테나 어레이는 일반적으로 피험자의 머리와 일치하게 되지만, 안테나는 피험자의 머리에 대해 상이한 방향과 거리를 가질 수 있다. 이를 고려하여, 시스템은 템플릿 생성 프로세스의 단계(406)에서 획득한 피험자 머리의 3D 윤곽선과 알려진 안테나 어레이 구성을 이용하여 각 안테나, 특히 각 영상화 안테나의 여기(excitation) 포트의 공간 위치 및 방향을 계산하며, 이는 본 명세서에 기재된 s-파라미터 프로세스에 제공되는 사전 정보를 구성한다.
안테나 어레이의 상대적인 거리 및 방향을 결정하는 프로세스는 시스템이 작동되기 전에 헤드셋을 정확한 위치에 정렬하기 위해 단계(406)에서 발견된 기준점, 특히 중심점, 즉 비근점을 이용하는 것을 포함한다. 헤드셋의 안테나 구성 정보가 알려져 있으므로, 단계(406)에서 획득한 3D 머리 표면을 이용하여 각 안테나의 상대 거리와 피험자의 머리를 향한 방향이 결정된다.
영상 생성(306/308)
단계(306)에서 머리를 스캔한 후, 그 결과 생성된 산란 데이터는 레이더 빔 형성 및 단층 촬영의 이점을 조합한 영상 생성 프로세스(308)를 이용하여 환자의 머리의 하나 이상의 2차원 또는 3차원 영상을 생성하도록 처리된다. 따라서 발명자들은 '비모그래피(beamography)'라고 부른다. 특히, 이 새로운 프로세스를 이용하면, 산란 데이터를 처리하고 영상을 생성하는 데 필요한 시간이 단축되어 긴급 상황에서 중요한 이점이 된다.
개요로서, 시스템에 의해 실행되는 영상 생성 또는 '비모그래피' 프로세스(308)는 영상화 된 대상을 둘러싸는 영상화 안테나의 측정된 다중 정적 산란 파라미터를 이용하여 2차원 또는 3차원 영상을 생성한다. 또한, 영상화 도메인이 일치하는 매체로 채워지거나 피험자 머리로부터 측정된 신호를 교정하기 위해 평균 인간 머리를 모방(emulate)하는 팬텀이 포함된 경우 안테나의 측정된 산란 파라미터를 이용한다.
평균 측정 값(모든 신호에 대한)을 각 주파수 샘플의 각 신호에서 빼는 평균 추적 감산 방법은 산란 데이터에서 강한 반사와 클러터를 제거하는 데 이용된다. 선험적 정보로서, 영상화 된 도메인의 각 복셀에 대해 각 안테나에서 볼 수 있는 영상화 된 도메인 내부의 파동 전파 경로의 유효 유전 특성은 최단 경로 파인더 기술과 건강한 피험자의 추정된 유전율 모델(템플릿)을 이용하여 추정된다.
그 다음, 처리된 데이터는 도메인 내부 조직의 전력 강도를 추정하기 위해 대상의 추정된 유전 특성을 고려함으로써 영상화 된 도메인으로 사실상 역 전파된다. 영상화 된 도메인 내에서 산란된 전력 강도의 공간 분포(편의상, "맵" 또는 "프로파일"이라고도 함)는 건강한 템플릿에서 추정된 유전 특성과 단순화 된 그린 함수(Green's function)를 이용하여 각 주파수 단계에서 생성된다. 그 다음, 서로 다른 주파수에 대한 전력 강도의 공간 분포가 중첩되어 영상 영역의 비정상(있는 경우)을 나타내는 영상을 생성한다. 비정상 유전 특성을 결정하기 위해, 반복적인 계산 절차를 이용하여 건강한 템플릿의 유전율 값을 업데이트하고, 업데이트 된 특성을 다시 이용하여 전력 강도를 다시 계산한다. 연속 반복 단계의 각 쌍의 전력 강도 비교 및 유전율 맵 업데이트는 적절한 정확도 기준이 충족될 때(예를 들어, 연속 반복 사이의 값 차이가 임계 값 미만일 때)까지 계속된다.
a) 교정(702)
영상 생성 또는 비모그래피 프로세스(308)는 이하에서 더 상세히 설명된다. 도 7에 도시된 바와 같이, 영상 생성 프로세스(308)는 영상 도메인의 측정 된 산란 파라미터를 이용하여, 피험자의 머리 없이 매칭 매체 또는 평균 헤드 팬텀의 유전 특성을 가진 재료로 채워진 영상화 도메인을 이용하여 피험자 머리의 측정된 산란 파라미터를 교정함으로써 단계(702)에서 시작한다. 교정 프로세스는 또한 예를 들면 안테나 제조 및 조립 변형이나 오류 등으로 인해 안테나들 간의 불일치 영향도 경감시킨다.
교정된 데이터
Figure pct00010
은, 다음과 같이 영상화 영역에서 피험자의 머리로부터 산란을 위한 산란 파라미터 Smn를 배경 매칭 매체(또는 팬텀 헤드와 같은 교정 대상)로부터의 산란 파라미터
Figure pct00011
로 나눈 값이다:
Figure pct00012
(1)
상기 식에서,
m 및 n은 수신기 및 송신기 인덱스이고,
Na는 영상화 안테나의 수를 나타낸다.
일부 실시형태에서, 데이터의 로그(logarithms)가 다음과 같이 이용된다:
Figure pct00013
(2)
산란 파라미터의 로그를 이용함으로써, 실수부 및 허수부 없이 데이터의 진폭 및 위상 차이를 비교할 수 있다. 이러한 방식으로, 피험자 머리의 유전 특성을 검색하는 데 유용한 위상 변화 정보가 유지된다. 또한, 서로 다른 안테나로부터의 산란 데이터는 대칭이 되어 영상화 방법의 다음 단계에서 클러터 제거에 적합하다.
b) 클러터 제거(704)
피험자 머리(또는 영상화 될 다른 의료 대상)의 외부 층의 유전 특성 간의 콘트라스트는 파동의 많은 부분이 송신 안테나로 다시 반사되도록 하며, 이러한 반사는 일반적으로 더 깊은 조직으로부터의 반사를 가리기에 충분히 강하다. 결과적으로, 외층으로부터의 반사는 제거되거나 적어도 상당히 경감되어 영상화된 된 대상 내에서 관심 있는 특징을 검출할 수 있다. 반사는, 예를 들어 평균 트레이스 감산(Average Trace Subtraction), 공간 필터링(Spatial Filtering), 부분 공간 프로젝션(Subspace Projection), 미분 접근법(Differential Approach), 또는 하이브리드 클러터 제거(Hybrid Clutter Rejection)와 같은 당 업자에게 알려진 표준 방법을 포함하여 임의의 적절한 접근법에 의해 경감될 수 있다. 기재된 실시형태에서, 평균 감산 및 미분 접근법의 조합은 다음과 같이 단계(704)에서 교정된 데이터로부터 강한 반사 또는 '클러터'를 제거하기 위해 이용된다.
각 안테나와 대상의 외층(즉, 피험자 머리의 피부) 사이의 거리가 일정하다면, 외부 반사로 인한 신호의 기여도는 모든 안테나에 대해 유사할 것이며, 이러한 반사는 수신된 신호로부터 상수 값을 제거하여 분리될 수 있다. 수신된 신호로부터 계산된 평균 값을 빼는 평균 감산 프로세스는 이 시나리오에서 반사를 효과적으로 경감할 수 있다. 그러나 도파관 안테나의 경우, 안테나와 피험자 머리 피부 사이에 균일한 거리를 제공하는 것은 일반적으로 현실적이지 못하다. 그럼에도 불구하고, 아래 설명된 클러터 제거 프로세스는 피부까지 0 내지 10 mm와 같이 유사한 거리를 가진 안테나로부터 신호에 적용할 수 있다. 특히, 안테나 신호는 피부(또는 영상화 할 대상이 사람 머리가 아닌 경우 외층)까지의 거리를 기준으로 분류되며, 각 범주 Ci의 모든 수신 신호의 평균은 각 주파수 단계에서 안테나의 해당 신호에서 뺀다:
Figure pct00014
(3)
상기 식에서,
Figure pct00015
은 클러터가 제거된 신호를 나타내고,
Nc는 카테고리의 수이다.
기재된 실시형태들의 다중 정적 구성에서, 클러터 제거 프로세스는 상기 수학식(3)에서 정의된 바와 같이 교정된 반사(
Figure pct00016
) 및 전송 신호(
Figure pct00017
)에 개별적으로 적용된다. 이 클러터 제거 프로세스(704)는 역 산란 대신에 피험자의 머리까지 유사한 거리를 갖는 안테나로부터의 신호를 평균함으로써 반사를 추정한다. 또한, 모든 주파수 단계에 평균 감산을 적용하면 이 프로세스가 전자파 침투 깊이의 주파수 의존성을 고려할 수 있다.
c) 빔 형성(706)
경계 반사를 제거함으로써, 영상화 된 도메인을 균일한 매체로 간주할 수 있다. 단계(706)에서, 클러터가 없고 교정된 산란 파라미터는, 도 8에 도시된 바와 같이, 주파수 도메인 빔 형성기를 통해 전달되어 수신된 신호를 위치의 함수로 영상화 한다. 비모그래피 프로세스에서, 도 9에 도시된 바와 같이, 영상화 영역의 산란 전력 강도는 맥스웰(Maxwell) 방정식을 풀어 계산하고, 총 전력은 모든 주파수 샘플 및 안테나 위치에 대해 계산된 전력 강도를 합산하여 추정된다. 건강한 조직과 건강하지 않은 조직 사이의 상당한 유전율 콘트라스트의 결과로, 형성된 영상에서 높은 에너지 수준의 영역은 건강하지 않은 조직에 해당한다.
영상화 도메인의 개략은 도 10에 나타나 있으며, 전자파는 송신기(n)로부터 알려지지 않은 유전 특성(전도성(ε) 및 유전율(σ))을 가진 대상으로 전파된다. 그 다음, 영상화 도메인 내부의 서로 다른 점 산란체(point scatterer)로부터 산란된 전기장은 영상화 도메인 경계 외부의 안테나(m)에 의해 측정된다.
비모그래피 프로세스(706)에서, 점 산란체(p)의 위치에서의 전기장 (Ep)는 산란체의 위치에서의 전기장을 추정함으로써 계산된다. 이를 위해, 각 수신 안테나의 표적 응답은 입사 장과 상관 관계가 있으며, 영상화 된 도메인에 합성적으로 역 전파된다. 산란체 위치의 전기장은 다음과 같이 계산된다:
Figure pct00018
(4)
상기 식에서,
G는 점 산란체의 2차원 또는 3차원 그린(Green) 함수이고,
r=|rnp|+|rpm| 는 송신 안테나로부터 점 산란체, 그 다음 수신 안테나까지의 거리이고,
γ는 파가 통과하는 매체의 전파 상수이며, 전파 상수는 다음과 같이 계산된다:
Figure pct00019
(5)
상기 식에서,
Figure pct00020
는 각(agnular) 주파수이고,
μ는 투자율이고,
σ와 ε은 각각 파동 전파 경로의 전도도와 유전율이다.
점 산란체 전기장(Ep)은 통상적인 전자기 추정(Em = Escat + Einc)에서 일반적으로 입사장으로부터 분리되는 산란 전기장 (Escat)과 다르다. 그러나 본 명세서에 기재된 프로세스에서, Ep는 점 산란체 위치에서 산란 및 입사 장의 합을 나타낸다:
Figure pct00021
(6)
Figure pct00022
(7)
산란체(r)(r > 2D2/λ, 여기서 D는 점 산란체의 직경이고, λ는 영상화 도메인 내부의 유효 파장임)로부터 원방계(far-field) 거리에 있는 전기장은 구면파(spherical wave)처럼 거동하며, 균일한 평면파 방정식이 적용된다. 따라서 방정식(4)에 해당하는 맥스웰 방정식은 다음과 같다:
Figure pct00023
(8)
가설(ansatz)의 반경 부분 G(r)에 해당하는 미분 방정식은 베셀(Bessel) 미분 방정식이다:
Figure pct00024
(9)
상기 식에서, 복잡한 형식의 솔루션은 다음과 같이 제공된다:
Figure pct00025
이들은 제1 종과 제2 종의 i-차 한켈(Hankel) 함수이고, J와 N은 각각 제1 종과 제2 종의 베셀 함수이다. 한켈 함수는 노이만(Neumann) 함수라고도 하는 제2 종 베셀 함수의 특이점이 존재하기 때문에 특이성이 있다.
Figure pct00026
은 산란체(산란 전기장)에서 멀어지는 방사형 대칭 원통형 파를 나타내는 반면, 제2 종 한켈 함수
Figure pct00027
는 산란체(입사 장)를 향해 이동하는 파를 나타낸다. 산란체의 유전적 특성과 파동 전파 경로 사이의 불일치로 인해 산란 전기장을 반사파로 간주하면, 산란 전기장과 입사장 모두 동일한 주파수와 진폭을 가진 점 산란체의 위치에 존재하므로, 결과적으로 특이한 노이만 함수가 중첩되어 상쇄된다. 따라서 솔루션은 다음과 같이 제공된다:
Figure pct00028
(12)
클러터 제거 후, 1차(i=1) 베셀 함수가 우세 모드이며, 최상의 솔루션을 제공한다. 따라서 점 산란체 전기장은 그린 함수를 방정식(12)로부터 방정식(4)에 할당하여 계산될 수 있다:
Figure pct00029
(13)
상기 식에서, 베셀 함수 J 1(γr)는 다항식 근사값으로 대체될 수 있다:
Figure pct00030
영상화 도메인이 매칭 매체로 채워질 때, 점 산란체 전기장(
Figure pct00031
)은 다음과 같이 계산될 수도 있다:
Figure pct00032
(15)
상기 식에서,
γb는 배경의 전파 상수이고,
Figure pct00033
는 배경의 측정된 산란 파라미터이다.
점-산란체 전기장의 계산에 있어서, 산란체 전기장은 반사파로 간주되며, 이는 배경 매체에서 전방 파에 중첩된다. 따라서 산란체와 관련된 반사 계수는 다음과 같이 정의될 수 있다:
Figure pct00034
(16)
상기 식에서, *는 활용 연산을 나타낸다. 따라서, n 번째 안테나에 의해 전송되고 m 번째 안테나에 의해 수신된 파로 인한 점 산란체 위치의 산란 전기장은 다음과 같이 계산된다:
Figure pct00035
(17)
Na 안테나가 송신기와 수신기 모두의 역할을 하는 다중 정적 영상화 구성에서, 각 산란체의 위치에서 모든 안테나에 의해 생성된 총 전력 밀도(픽셀 영역 또는 복셀 부피당 계산되기 때문에 "밀도")를 계산하여 임의의 비정상 위치를 추정한다. 이를 위해, 총 전력 밀도는 다음과 같이 대상 주변의 다양한 송신기 및 수신기로부터 영상화 된 대상 내부의 추정 전기장을 합산하여 계산된다:
Figure pct00036
(18)
입사장(En)은 일반적으로 1(볼트/미터)로 선택되며, 따라서 방정식(18)의 계산에서 무시된다. 이산적인(discrete) 관측 지점의 부족을 보완하기 위해, 다음과 같이 서로 다른 주파수에 대한 서로 다른 산란 프로파일이 중첩되어 전자기 전력 영상을 생성한다:
Figure pct00037
(19)
상기 식에서, Na와 Nf는 각각 안테나와 주파수 샘플의 수이다.
점-산란체의 평균 전기장은 다음과 같이 계산될 수도 있다:
Figure pct00038
(20)
이 경우, 평균 전기장(
Figure pct00039
)의 실수 부, 허수 부 및/또는 위상이 최종 영상으로 이용될 수 있다.
완전을 기하기 위해, 기재된 프로세스는 다음과 같이 방정식(19) 및 (20)에서 삼중 합산 연산자를 이중 합으로 변경함으로써 모노스태틱(monostatic) 측정 구성에서도 이용될 수 있다:
Figure pct00040
(21)
Figure pct00041
(22)
기재된 프로세스는 또한 영상화 된 대상 주변의 3D 안테나 어레이 구성을 이용함으로써 3D 영상을 생성하는 데 이용될 수 있다. 이 경우, 점 산란체 위치(rp)는 영상화 된 대상 부피 내의 3D 벡터를 나타낸다. 3D 안테나 어레이는 2D 영상화 평면 위 및/또는 아래에 더 많은 안테나 링을 추가하거나, 또는 z 방향을 따라 안테나를 이동하여 전체 대상을 스캔함으로써 형성될 수 있다. 어느 배열에서도, 보간(interpolation) 기법을 이용하여 3D 영상 또는 대상의 다중 슬라이스 영상을 생성한다.
전술한 프로세스가 유전 특성의 상세한 영상을 제공하지는 않지만, 유전 특성에서 콘트라스트 영역을 보여주는데, 이는 유의한 산란체와 그 근사 위치를 신속하게 검출하기에 충분하다. 필요한 경우, 아래에 설명되는 바와 같이, 프로세스를 확장하여 자세한 영상을 생성할 수 있다.
비모그래피 프로세스(706)의 중요한 양태는 방정식(19) 및(20)에서 이용될 전파 상수의 계산에 관한 것이다. 영상화 도메인의 평균 유전 특성은 전파 모델에서 이용될 수 있다. 그러나, 인체와 같은 이질적인 대상의 보다 정확한 영상을 생성하기 위해서는 영상화 도메인에서 유전 특성의 보다 정확한 추정 공간 분포가 필요하다.
분산적이고 이질적인 환경에서 전자파의 다중 반사 및 굴절로 인해, 파는 서로 다른 조직을 통과하고, 영상화된 대상에 대한 송신기-수신기 위치에 따라 서로 다른 경로를 따른다. 동종 환경에서, 이 경로는 각 송신기로부터 점 산란체로, 그리고 점 산란체로부터 각 수신기로의 직접(직선) 경로(가장 짧은 경로)로 계산될 수 있다. 그러나 이종 매체에서, 전자파는 최소 전파 시간 또는 최소 지연으로 경로를 따른다. 결과적으로, 단계(906)에서, 영상화 된 대상 내부에서 최소 전파 시간(t=γr/ω)을 가진 경로를 알아냄으로써 찾을 수 있고, 방정식(19) 및 (20)에서 전파 상수 및 거리에 필요한 값을 제공한다. 이를 위해, 영상화 된 대상의 해부학적 특성과 유전체 특성을 포함하는 템플릿이 유익한 것으로 간주된다. 이 템플릿은 MRI 및/또는 CT 장치와 같은 기타 영상화 양식의 영상으로부터 추출된 영상화 대상의 실제 건강한 모델이거나, 또는 영상화 3D 머리 윤곽(412)을 이용하여 근사 모델일 가능성이 있다.
그 다음, 최단 경로-파인더(shortest-path-finder) 방법을 이용하여 템플릿 내부의 파동 전파 경로를 찾는다. 이 프로세스의 기재된 실시형태에서, 다익스트라(Dijkstra) 알고리즘이 이용된다. 복셀(v)로부터 인접하는 복셀(u)로 전파되는 파에 대한 전파 시간(tuv)을 비용 함수로 규정함으로써, 최단 경로 파인더 알고리즘은 모델을 통해 최소 비용(전파 시간)으로 경로를 찾는다. 그 결과, 각 송신-수신 안테나 쌍 γmn(rp)에 의해 보이는 영상화 된 도메인의 위치 고유의 전파 상수가 추정된다. 방정식(19) 및 (20)에 이용된 전파-거리 파라미터(γr)는 다음과 같이 송신기(n)로부터 수신기(m)으로의 전파 경로를 따라 모든 복셀의 파라미터(γr)를 합산함으로써 계산된다:
Figure pct00042
(23)
상기 식에서,
γuv 및 ruv는 각각 복셀(v)로부터 그에 인접한 복셀(u)까지의 전파 상수 및 거리이다. 따라서 영상화 방법의 마스터 방정식은 다음과 같다:
Figure pct00043
또 다른 양태는 영상화 된 대상 내의 비정상 유전 특성을 추정하기 위해 (예를 들어, 건강한)피험자의 뇌 조직(처음에 생성되거나 초기 템플릿이 된 것)의 모델을 업데이트 하는 것에 관한 것이다. 방정식(22) 또는 (23)에 의해 형성된 영상은 유의한 산란체(비정상)의 위치를 나타낸다. 따라서, 초기 단계에서 이용된 건강한 모델은 비정상 위치에 해당하는 복셀의 특성 값을 변경함으로써 간단히 업데이트 될 수 있다. 이 경우, 비정상 위치는 국소 극대치 검출, 임계 값 처리, 미분(후속 영상 감산), 클러스터링 등과 같은 적절한 기술을 이용하여 결정될 수 있다. 일부 실시형태에서는, 방정식(22) 또는(23)에 의해 생성된 영상의 히스토그램이 생성되고, 히스토그램의 표준 편차가 임계 값(T)으로 취해지는 임계화 프로세스가 이용된다. 그 다음 비정상 위치는 다음에 따라 결정된다:
I(복셀) > T이면, 복셀(
Figure pct00044
)는 "건강하지 않은 조직"이고, 그렇지 않으면 복셀(
Figure pct00045
)은 "건강한 조직"이다.
건강하지 않은 조직의 위치를 찾은 후, 모델의 비정상 위치에 해당하는 복셀의 유전율 및 전도도 값을 표적의 특성 값으로 대체하여 유전체 모델을 업데이트 한다. 대안으로, 최적화 기술을 이용하여 다음에 따라 건강한 조직의 값을 점진적으로 변경할 수 있다.
Figure pct00046
(28)
그 다음, 최단 경로-파인더 프로세스가 새로운 위치 고유 전파 상수를 계산하기 위해 업데이트 된 템플릿에 대해 수행된다. 새로운 전파 상수는 대상의 새로운 산란 프로파일을 추정하기 위해 방정식(22) 또는 (23)으로 대체된다. 이 반복 프로세스는, 도 9에 도시된 바와 같이, 업데이트 된 값이 이전 반복의 값에 대해 실질적으로 변경되지 않을 때까지 반복되는데, 이는 오류가 작은 값에 도달했음을 나타낸다.
반복 루프에 대한 대안적인 정지 기준은 안테나에서 계산되고 측정된 전자기 에너지를 비교하는 것이다. 안테나(n)가 영상화 된 대상에 전기장을 전송하면, 영상화 된 도메인에서 산란되어 모든 안테나에 의해 수신된다. 따라서, 대상 주변의 안테나에 의해 수신된 총 전기장은 도메인의 상이한 산란체로부터 산란된 전기장의 합이다. 따라서, 다음과 같이, 모든 안테나에서 측정된 총 에너지를 계산된 산란 에너지와 비교하여, 이용된 템플릿과 실제 측정 대상 간의 에너지 불일치(ΔS)를 찾을 수 있다:
Figure pct00047
(29)
상기 식에서, Np는 영상화 된 도메인의 산란 지점의 수이다. 그 다음, 반복 프로세스를 활용하여 최적화를 통해 에너지 불일치(ΔS)를 최소화 할 수 있다.
요약하면, 비모그래피 프로세스는 도 9의 흐름도에 도시된 바와 같이, 다음 단계로 나타내질 수 있다:
단계(906): 건강한 대상의 입력 템플릿(416)(기재된 실시형태의 맥락에서, 대상의 머리임)은 대상의 업데이트 가능한 모델(902)의 초기 값을 정의하고; 이 모델(902) 및 피험자의 머리에 대한 안테나의 위치(904)는 최단 경로 파인더 방법에 의해 대상의 위치 고유 전파 상수를 계산하기 위해 처리된다.
단계(908): 대상의 교정 및 정돈된(decluttered) 산란 파라미터는, 영상화 도메인으로 역 전파되어 영상화 도메인 내의 각 픽셀(또는 3D인 경우, 복셀)에서 전기장을 추정한다.
단계(910): 각 픽셀(또는 복셀)(모든 안테나에 대해 합산됨)에서 전기장 전력 밀도를 계산하고, 각 전송 주파수에 대해 합산하여 대상의 전력 밀도 맵 또는 영상을 생성한다(즉, 대상 내에서 산란된 전기장 전력의 공간적 분포를 나타냄).
단계(912): 임의의 비정상(유의한 산란체)의 픽셀/복셀 위치가 결정된다(예를 들어, 임계치화 기술을 이용에 의해).
단계(914): 모델(902)이 복제되고, 그 복제물은 비정상 위치에 대응하는 픽셀/복셀의 값을 대체함으로써 업데이트 된다.
단계(916): 두 모델들 사이에 상당한 차이가 있는지 여부를 결정하기 위해 테스트를 수행한다. 테스트에서 모델들 간에 상당한 차이가 있음을 확인한 경우, 프로세스는 아래의 단계(918)로 분기(branch)된다.
단계(918): 프로세스는 업데이트 된 모델을 이용함으로써 단계(906)에서 전파 상수 및 거리를 다시 계산하기 위해 되돌려진다(loop back).
그렇지 않으면, 단계(916)의 테스트에서 현재 모델(902)과 가장 최근에 업데이트 된 모델과의 사이에 상당한 차이가 없다고 판단되면, 후자는 대상의 비모그래피 영상(920)으로서 출력된다.
단계(916)에서의 테스트는 반복 루프의 종료 또는 퇴장(exit) 기준을 규정하고, 따라서 비모그래피 프로세스(706)는 반복 프로세스라는 것이 명백할 것이다.
단계(910)에서 생성된 전력 밀도 맵은 뇌의 비정상 위치를 나타낸다. 예를 들어, 출혈성 뇌졸중은 높은 강도로 선명하게 보이지만, 혈전은 인접한 조직에 비해 가장 낮은 강도 영역으로 나타난다. 의심되는 영역의 강도가 높다는 것은 그것이 출혈 영역임을 나타내지만, 비정상이 없거나 뇌졸중의 증상이 지속되고 있는 동안 강도가 낮은 것은 혈전이 있음을 나타낸다.
피험자 머리의 최종 비모그래피 영상(920)은 영상화 된 영역의 유전율 및/또는 전도도만을 나타낼 수 있거나, 또는 수분 함량과 같은 하나 이상의 관심 조직 특성의 위치, 및/또는 하나 이상의 관련 라벨(예를 들어, 조직이 비정상인지 여부 등)을 규정하는 데이터를 포함하도록 업데이트 될 수 있다.
d) 최적화
필요에 따라, 주파수 샘플의 수를 줄임으로써 비모그래피 프로세스(706)의 속도를 높일 수 있는데, 단, 이는 영상 품질을 손상(또는 과도하게 손상)하지 않고 수행될 수 있는 경우에만 가능하다. 이를 위해, 나이퀴스트(Nyquist) 정리를 주파수 영역에 적용하여 재구성 샘플링을 위한 최대 주파수 단계(따라서 최소 주파수 샘플 수)를 찾을 수 있다. 나이퀴스트 정리는 수신 신호의 시간 제한 특징을 고려하여 주파수 영역에 적용된다.
나이퀴스트 정리에 따르면, 이론적으로 전체 데이터를 복구할 수 있으려면, 샘플링 단계(δf)가 1/2τ(여기서, τ는 시간 제한 신호의 시간 폭임) 미만이어야 한다. 나이퀴스트 기준이 충족되지 않으면(샘플링 부족), 데이터의 일부가 누락되어 재구성된 신호가 중첩되어 부정확하거나 복수의 표적을 포함하는 영상이 생성된다. 오버 샘플링(나이퀴스트 속도보다 높은 속도로 샘플링)은 해상도를 향상시키고 중첩을 방지할 수 있지만, 측정 및 처리에 추가 시간이 필요하게 된다. 수신된 신호의 시간 폭을 데이터 수집 시간과 동일하게 하는 것을 고려함으로써, 신호 대역폭(B)에 따라 샘플의 최소 수를 다음과 같이 계산할 수 있다:
Figure pct00048
영상화 방법에서 샘플의 최소 수를 사용하면, 정확한 영상화를 유지하면서 처리 시간이 크게 단축된다.
본 명세서에서 기재된 비모그래피 프로세스(706)는, 조직의 유전 특성을 추정하기 위해 일반적으로 부적절한(ill-posed) 역 문제를 해결할 필요가 있는 표준 마이크로파 단층 촬영과는 상당히 다르다. 시간 도메인 방법(예를 들어, 공 초점(confocal), 시공간 빔 형성 MIST 및 적응 빔 형성 영상화 방법 등)과 비교할 때, 본 명세서에서 기재된 비모그래피 프로세스(706)는 계산 집약도가 낮고, 주파수 도메인에서 모든 계산을 수행하기 때문에, 다층 구조에 의해 생성되는 노이즈 및 다중 반사의 영향을 받지 않게 된다.
피험자 머리의 최종 비모그래피 영상(920)은 뇌에 비정상이 있음을 나타낸다. 예를 들어, 출혈성 뇌졸중은 높은 강도로 선명하게 보이지만, 혈전은 인접한 조직에 비해 가장 낮은 강도 영역으로 나타난다. 의심되는 영역의 강도가 높다는 것은 그것이 출혈이 있음을 나타내지만, 비정상이 없거나 뇌졸중 증상이 지속되고 있는 동안 강도가 낮은 것은 혈전이 있음을 나타낸다. 영상은 영상화 된 영역의 유전율 및/또는 전도도만을 나타낼 수 있으며, 수분 함량 등의 관심 있는 하나 이상의 조직 특성의 위치를 규정하는 데이터, 및/또는 하나 이상의 관련 라벨을 포함하도록 업데이트 될 수 있다(예를 들어, 조직이 비정상인지 여부 등).
분류(312)
뇌졸중이 출혈이나 혈전으로 인해 야기된 것인지의 여부를 판단하고 그 위치를 특정하는 것은 급성 뇌졸중의 진단 및 치료에 중요하며, 또한 뇌졸중 후 관리에도 중요한 문제이다. 일반적으로, 전자기 머리 스캔 시스템으로부터 뇌졸중 하위 유형을 식별하는 것은 영상 재구성 알고리즘을 기반으로 한다. 그러나, 영상 기반 방법은 시간이 오래 걸리고 정확도가 낮다. 이하에 설명되는 것은 허혈성 뇌졸중(IS)으로부터 두개 내 출혈(ICH)을 식별하고 뇌졸중 위치를 특정하기 위해 전자기 스캐닝 시스템에 적용되는 새로운 복합 네트워크 접근 방식이다. 분류는 그래프 차수 상호 정보(GDMI)를 이용하여 ICH 그룹과 IS 그룹 간의 차이를 평가한 것을 기반으로 하며, 각 대상은 다중 채널 안테나 수신 신호로 구성된다. 각 신호는 서로 다른 신호 진폭을 피하기 위해 그래프로 변환된다. 그 다음, 각 그래프 차수 특징 쌍 간의 관계는 상호 정보에 의해 계산되고, ICH로부터 ICH를 식별하기 위해 지원 벡터 장치에 입력된다. IS에 대한 ICH를 식별하는 데 95%의 정확도가 달성된다. 위치 특정과 관련하여 송신기로부터 수신기까지의 안테나 쌍 간의 강도 특성을 추출하기 위해 가중치 그래프가 적용된다. 최대 가중치 쌍은 표적을 통과한다. 그래프 특성 추출 및 분류 또는 위치 특정을 위한 실행 시간은 1분 미만이며, 이는 뇌졸중 응급 치료 시스템에 적합하다.
1. 방법론의 요약
도 11은 분류 및 위치 특정 이전의 데이터 처리 및 분석 단계의 흐름도이다. 이 경우, 시스템 워크플로우는 다음과 같이 요약될 수 있다.
1. 다중 채널 입력 신호는, 도 1(a)에 도시된 바와 같이, 안테나 어레이로부터 수신되며, 여기서 디폴트 채널 수(N)는 16이다.
2. 각 안테나로부터 수신된 산란 신호는 주파수 도메인 신호(진폭 및 위상) 또는 시 계열이며, 여기서 샘플 포인트 수는 700개 이상이다.
3. 입력이 아직 시 계열이 아닌 경우, 이러한 신호를 다중 채널 시 계열로 변환하기 위해 역 FFT가 이용된다.
4. 그 다음, G. Zhu, Y. Li 및 PP Wen의 "고속 가중 수평 가시성 알고리즘을 이용한 EEG 신호", 생물의학에서 컴퓨터 방법 및 프로그램", vol. 115, pp. 64-75, 2014에 기재된 고속 가중 수평 규정 알고리즘(FWHVA, Fast Weighted Horizontal Visibility Algorithm)를 이용하여, 다중 채널 시 계열을 NxN = 16x16 = 256 그래프에 매핑한다.
5. 도 16(b)에 도시된 바와 같이, 차수 시퀀스와 가중치 강도 시퀀스를 추출한다.
6. 마지막으로, 출력 특징: 차수 및 강도는 각각 분류 및 위치 특정에 이용된다.
도 12는 도 11의 프로세스를 따르는 분류 프로세스의 흐름도이다.
도 13은 도 11의 프로세스를 따르는 위치 특정 프로세스의 흐름도이다.
2. 세부 분류 방법론
환자가 뇌졸중을 앓고 있는지 여부를 나타내는 출력 영상(920)을 보완하기 위해, 분류 프로세스가 실행되어 S-파라미터를 이용하여 뇌졸중 유형을 평가한다. 또한, 이하에 설명하는 템플릿과 융합 뇌 영상을 이용하여 정확도를 높일 수 있다. 일반적으로, 특징은 상관 관계, 일관성 또는 동기화 알고리즘에 의해 계산되고, 일반적인 분류기(예를 들어, SVM 또는 랜덤 포레스트)에 전송되든가, 또는 딥 러닝 신경망을 통해 대상을 ICH, IS 또는 정상으로 식별할 수 있다.
기재된 실시형태에서, 측정된 S-파라미터를 이용하여 뇌졸중 유형을 평가하기 위해 단계(312)에서 복합 네트워크 방법이 이용된다. 분류 프로세스(312)는 ICH, IS 및 건강한 사람을 구별할 수 있을 뿐만 아니라 뇌졸중 위치를 특정할 수도 있다.
도 12는 분류 프로세스(312)의 흐름도이다. 산란 전기장 데이터(S-파라미터)는 주파수 영역에서 N개의 안테나로부터 수집되어 N×N 신호가 생성된다. 그 다음, 역 FFT는 N2 주파수 도메인 신호를 N2 시 계열 신호로 변환한다. 그 다음, 각 시 계열 신호(X = x1, x2…, x T )는 노드/정점(V)과 에지(E)로 구성된 그래프 G(V; E)에 매핑된다. 구체적으로, 고속 가중 수평 가시성 알고리즘(FWHVA)은 데이터를 수평 가시성 그래프(HVG)로 변환하는 데 이용되고, 여기서 각 시점(xi)은 그래프의 꼭지점이며, 임의의 2점(xi; xj) 간의 관계는 에지(e i,j )로 표시되며:
Figure pct00049
(1)
상기 식에서, e i,j =1은 에지가 있음을 나타내고, 값이 0이면 에지가 없음을 나타낸다.
도 16(b)는 방정식(1)을 기반으로 제2 안테나의 IS를 사용하여 사람 머리의 산란 파라미터로부터 생성된 그래프를 나타낸다.
각 그래프를 작성한 후, 노드 차수와 차수 시퀀스 특징을 이용하여 그래프를 특성화 한다. 노드(vi)의 차수 [d(vi)]는 vi로부터 연결된 에지의 수이고, 차수 시퀀스(DS)는 노드 번호 [d(v1), d(v2),… d(vT)]의 순으로 연결된 그래프 차수의 시퀀스이다. 예를 들면, 도 16(b)의 그래프에서, 차수 d(1) = 1 및 d(2) = 2인 반면, DS =(1; 2; 3; 5,…; 2; 1)이다.
그래프가 작성되면, 각 그래프 쌍 사이에 그래프 차수 상호 정보가 계산된다. 상호 정보(MI)는 일반적으로 다른 변수에 대한 랜덤 변수의 상호 의존성을 측정하는 데 이용된다. 2개의 이산 변수 X와 Y가 주어지면, X와 Y의 상호 정보는 다음과 같이 제공된다:
Figure pct00050
상기 식에서, p(x)는 X의 확률 밀도이고, p(x,y)는 X와 Y의 동시(joint) 확률 분포 함수이다.
일반적으로, X와 Y가 의존하고 있는 경우, MI가 더 높다. 기재된 실시형태에서, 복합적인 그래프 간의 상호 정보를 계산하는 대신, 시스템은 본 명세서에서 그래프 차수 상호 정보(GDMI)라고 불리우는 더 간단하고 빠른 방법을 이용하고, 이는 2개의 그래프의 차수 시퀀스를 비교한다. 2개의 HVG의 DSx, DSy, Gx, Gy의 2차수 시퀀스가 주어지면, 2 그래프의 그래프 차수 상호 정보(GDMI)는 다음과 같이 측정된다.
Figure pct00051
Gx와 Gy가 유사하면 해당 GDMI(Gx;Gy)는 더 높고, 그렇지 않고 Gx 및 Gy가 다르면 값은 더 낮다.
N2×N2 행렬은 그래프 차수 시퀀스의 모든 조합이 방정식(3)에 입력된 후 얻어진다. 2 그래프 Gx 및 Gy의 차수 시퀀스가 같으면, GDMI(Gx,Gy)=0 이므로 GDMI 행렬의 대각선은 항상 0이 된다.
뇌졸중 유형(출혈/혈전)을 분류하기 위해, SVM(Support Vector Machine) 분류기를 사용한다. SVM은 알코올 중독 및 수면 EEG 신호와 관련된 HVG 특징을 분류하는 데 성공적으로 사용되었다. 그들은 선형, 다항식 커널, 방사형 기저 함수(RBF) 또는 시그모이드(sigmoid)가 될 수 있는 여러 가지 커널 함수를 선택함으로써 선형 공간 식별과 비선형 분류를 모두 수행할 수 있다. 기재된 실시형태는 RBF 커널과 함께 SVM 알고리즘을 이용한다. 트레이닝 세트는 먼저 다중 클래스 SVM을 이용하여 두 뇌졸중 유형의 특징과 결정 초 평면(hyperplane)을 학습하는 데 이용되고, 그 다음 옵션에서 멀티크래스(SVM)를 이용하여 건강한 케이스를 학습하고, 그 다음 새로운 측정치로부터 뇌졸중 유형을 분류하기 위해 적용된다.
분류 프로세스(312)는 서로 다른 머리 크기에 대한 데이터를 정규화하므로 빠르고 신뢰할 수 있다. 현재, 계산 속도는 범용 컴퓨터를 사용하는 경우 1 분(벽시계 시간) 미만이다. 분류 프로세스(312)는 또한 후술하는 바와 같이 생성된 시 계열 및 안테나 교차점에 기초하여 뇌졸중의 위치를 특정할 수 있다.
3. 세부 위치 특정 방법론
위치 특정을 수행하기 위해, 본 발명자들은 뇌졸중을 포함하는 뇌가 송신/수신된 신호에 불균형이 있음을 주목하였다. 머리가 장축과 단축을 가로 질러(즉, 시상면(sagittal plane)을 가로 질러 뇌의 좌우를 분리하고, 중앙 관상면(coronal plane)을 가로 질러 뇌의 앞과 뒤를 분리하여) 거의 대칭이라고 가정하면, 이러한 대칭선을 가로 지르는 안테나는 건강한 머리 내에서 유사한 신호를 가져야 할 필요가 있다. 대칭 안테나 쌍이 서로 다른 신호를 측정하는 경우, 이는 뇌졸중과 같은 비정상을 나타내며, 이 관찰을 이용하여 위치 특정을 용이하게 할 수 있다.
도 17은 안테나 신호 쌍과 뇌졸중(1702)을 갖는 16-요소 전자기 영상 안테나 어레이로 둘러싸인 뇌의 단면을 나타낸다. 안테나 쌍(1-7)의 신호는 신호 중 하나만 뇌졸중을 통과하기 때문에 대칭 쌍(1-11)과 크게 다르다. 그러나 1-13번 및 1-5번 안테나 쌍은 유사한 수신 신호를 가져야 한다. 가장 큰 가중치 쌍은 뇌졸중 표적을 가로지른다. 16-요소 안테나 어레이가 주어지는 경우, 뇌의 대략적인 대칭 축 2개는 안테나 1, 5, 9 및 13으로부터 발생하는 신호에 대응한다.
위치 특정을 수행하기 위해, 가중 수평 가시성 그래프(w-HVG)가 계산된다. 이 절차는 시 계열에서 가중되지 않은 그래프로의 변환으로 위에서 설명한 바와 같지만, 초기 가중치 항이 있고, 그 결과 얻어진 그래프는 G(V, E, W)로 표시된다. 노드들(vi 및 vj)(동등하게는 xi 및 xj) 간 에지(ei,j)의 가중치(wi,j)는 다음과 같이 정의된다:
Figure pct00052
(4)
가중 그래프는 강도의 개념으로 특징지어지며, 노드(vi)의 강도는 다음과 같이 정의된다:
Figure pct00053
(5)
T 노드가 있는 가중 그래프의 경우, 그 평균 강도는 다음과 같이 정의된다:
Figure pct00054
(6)
차등(differential) 가중 강도는 다음과 같이 정의된다:
Figure pct00055
(7)
상기 식에서,
Figure pct00056
는 안테나 'i'와 'j'사이의 평균 강도이고, Opp()는 동일한 안테나(i)로부터 발생하는 대칭적으로 반대되는 안테나 쌍을 나타낸다. 예를 들어. 안테나 1 또는 9에서 전송할 때 반대쪽 안테나 쌍에는 안테나 2-16, 3-15, 4-14 등이 포함되고, 안테나 5 또는 13으로부터 전송할 때 반대쪽 안테나에는 안테나 쌍 1-9, 2-8, 3-7 등이 포함된다. 실제 실험에서는 안테나 어레이가 적절히 교정되지 않을 가능성이 있음에 주목해야 한다. 따라서, 방정식(7)의 바이어스는 하기 방정식(8)에 나타낸 바와 같이 제거될 수 있다:
Figure pct00057
(8)
i 번째 안테나로부터 뇌졸중 표적을 가로지르는 안테나 쌍은 하기 방정식(9)을 이용하여 검출될 수 있으며, 여기서 '%'는 모듈러스 연산자를 나타낸다. 인접 안테나는 그로부터 얻어진 정보가 더 멀리 떨어져 있는 안테나의 정보보다 적기 때문에 고려되지 않는다는 점을 주목해야 한다.
Figure pct00058
(9)
입력 신호가 뇌 템플릿으로부터의 신호를 포함할 때, 뇌졸중의 실제 위치는 기하학적 계산 방법에 의해 얻어질 수 있다. 먼저, 교차점은 안테나 위치의 4점(x1,y1), (x2,y2), (x3,y3) 및 (x4,y4)을 이용하여 방정식(10)을 기본으로 계산될 수 있다.
Figure pct00059
Figure pct00060
그러나, 방정식(9)는 어떤 반구에 표적이 있는지를 식별하는 데 충분하지 않을 수 있으므로, 혈액 물질이 좌측 또는 우측 반구에 있는지 여부를 검출하는 단순한 접근 방식은 좌측 반구 신호로부터의 특징(예를 들어, 진폭, 평균 차수 또는 강도)을 우측 반구의 특징과 비교하는 것이다. 그러나, 이 방법은 머리가 항상 완벽하게 대칭이 아니기 때문에 완전한 답을 얻을 수 있는 경우가 거의 없다. 이러한 어려움을 해결하기 위해, 본 명세서에서 설명하는 프로세스는, 안테나(5)(좌측 반구) 및 안테나(13)(우측 반구)의 대향하는 쌍을 사용하여 교차점을 좌측 또는 우측의 어느 쪽에 배치하여야 하는지를 검출한다. 관련된 프로세스 단계는 다음과 같이 설명할 수 있다:
(a) 방정식(10)과 (11)을 기본으로, 좌측 교차점 L0(lx, ly)을 계산한다.
(b) 방정식(10)과 (11)을 기본으로, 우측 교차점 R0(rx, ry)을 계산한다.
(c) 안테나(5)로부터 제13 안테나가 아닌 우측 안테나(R1)까지 선분을 그린다. 선분은 제13 안테나로부터 떨어져 있는 L0까지의 최소 거리를 갖는다.
(d) 안테나(5)에 대한 선분이 L0 및 R0로부터 멀리 떨어져 있는 R1의 인접 안테나(R2)를 선택한다.
(e) 제5 안테나로부터 R1 및 R2까지 각각 가중치가 적용된 노드(w5r)의 차를 계산한다. 여기서. w5r = |S5r1 - S5r2|.
(f) 안테나(13)의 경우와 마찬가지로, 단계(c) 내지 (e)를 실행하여 제13 안테나로부터 2개의 인접한 안테나(L1 및 L2)까지의 차등 가중치 노드(w13)을 각각 구한다.
(g) w5r> w13l인 경우, 교차점이 좌측 반구에 있고, 그렇지 않은 경우에는 우측 반구에 있다.
도 21은 프로세스 단계(a) 내지 (g)를 예시하는 안테나로 둘러싸인 피험자의 머리에 대한 개략적인 횡단면 평면도이다. (5, R1, R2) 사이의 차등 가중치 노드는 (13, L1, L2) 사이의 차등 가중치 노드와 크게 다르므로, 출혈 위치(L0 또는 R0)에 대한 2가지 잠재적 후보를 제공한다. 위의 단계에 따라서, 출혈이 좌측 반구(R0이 아닌 L0)에 위치하는 지를 결정할 수 있다.
도 19는 위치 특정 프로세스의 흐름도이다. 위치 특정 프로세스의 출력은 안테나 쌍과 그들 각각에 할당된 가중치를 포함하는 세트이다. 각 가중치는 신호가 뇌졸중과 같은 비정상을 통과할 확률에 대응하며, 값이 클수록 안테나 쌍 간의 신호가 뇌졸중을 통과할 확률이 높다는 것을 나타낸다. 따라서, 위치 특정 프로세스는 신호가 비정상을 교차하는 안테나 쌍을 결정할 수 있으며, 이를 사용하여 뇌 템플릿 내에서 임상의의 실제 위치를 결정할 수 있다.
뇌 템플릿과 신호를 조합하면, 기하학적 방법을 이용하여 뇌졸중의 실제 위치를 계산할 수 있다. 높은 차등 가중치 노드 값(DW)에 따라 비정상을 포함하는 2개의 독립적인 안테나 쌍이 주어지면, 쌍 사이의 교차점이 뇌졸중/비정상을 특정하기 위해 결정된다. 즉, 뇌졸중 위치는 위치(x1,y1) 및 (x2,y2)의 안테타 쌍 간의 선과, 위치(x3,y3) 및 (x4,y4)의 안테나 쌍 사이의 선의 교차점으로 찾을 수 있다. 이 교차 방법은 3개의 안테나 쌍에 대한 예에 대해 도 19에 도시된 바와 같이, 추가 안테나 쌍으로 확장될 수 있다. 위치 특정의 출력은 뇌 템플릿과 가중치가 높은 안테나 쌍 세트를 기본으로 한 뇌의 실제 위치이다.
국소 영역(local-area) 단층 촬영(314)
최종 검증으로서 융합 영상(310)을 초기 영상으로 이용하여 단계(314)에서 국소 영역 단층 촬영을 위해 미분 방정식 단층 촬영을 이용할 수 있다. 구체적으로, "단층 촬영 영상 시스템 및 프로세스"라는 명칭의 국제 특허출원 PCT/AU2018/050425 에 기재된 미분 방정식 단층 촬영 프로세스를 이용하여, 상이한 주파수에서의 비모그래피 프로세스(308)에 의해 식별된 의심 영역의 정확한 유전 특성을 결정하고, 그 다음 이러한 것들의 결정된 특성을 이용하여 비정상 유형을 결정한다. 예를 들면, 높은 유전 특성(주로 유전율)은 출혈을 나타내는 반면, 낮은 값은 혈전을 나타낸다. 기재된 프로세스에서, 융합된 영상은 미분 방정식 단층 촬영 프로세스에 의해 결정된 의심 영역의 보다 정확한 유전 특성을 포함하도록 업데이트 된다.
상기 국제 특허출원에서 설명한 바와 같이, 표준 적분(integral) 기반 마이크로파 단층 촬영은 주로 그린 함수의 필요성 때문에 계산상의 한계를 겪는다. 이러한 한계로 인해, 영상 재구성 프로세스를 고속화 할 수 없으며, 이는 뇌졸중 검출에서 긴급한 의학적 요구 사항에 있어 중요한 요건이다. 이러한 한계에 대처하기 위해, 일반적으로 중요한 근사법(approximation)이 이용된다. 이러한 근사법은 영상화 안테나를 포인트 소스(문제를 잘 확정하지 못함)로 간주하고, 도메인의 좌표 축 중 하나를 따라 균일하다는 것을 가정하고, 그리고 배경 일치 매체를 필요로 하는 것을 포함한다. 이러한 근사법으로 인해 특정 수준의 오류가 있는 2차원 영상만이 재구성된다. 앞서 언급한 한계와 그로 인해 발생하는 문제를 경감시키기 위해, 파와 제3 맥스웰 방정식으로 확립된 미분 방정식 기반 마이크로파 단층 촬영이 이러한 프로젝트에 이용된다. 제안된 방법은 그린 함수 및 그에 대응하는 한계와는 무관하다. 이 방법은 선형적이고 결정된 문제를 해결함으로써 상기 근사법을 필요로 하지 않고, 진정한 3차원 영상을 신속하게 재구성할 수 있다.
그 결과 얻어지는 분류가 분류기(312)에 의해 주어진 것과 다른 경우, 당업자에게 알려져 있는 "모순에 의한 증명(Proof by Contradiction)" 방법이 적용되어 신뢰할 수 있는 결정을 얻을 수 있다. 이 방법에 따라, 단층 촬영 프로세스가 다시 실행되지만, 이번에는 분류기의 출력으로부터 시작된다. 국소 영역 단층 촬영의 두 번째 실행에서 비용 함수의 수렴율은, 최초의 상이한 답변을 생성한 초기 수렴율과 비교된다. 더 낮은 오류 정도에 도달하는 수렴율은 아마도 올바른 진단일 것이다. 그러나 두 방법이 동일한 오류 수준으로 수렴하는 경우, 뉴턴, 공역구배법(Conjugate-Gradient) 또는 콘트라스트 소스(Contrast-Source)와 같은 또 다른 최적화 방법이 이용된다. 어떤 경우에도, 결정은 아래에 설명하는 바와 같이 수정 적분 단층 촬영 프로세스(316)를 이용하여 검증된다.
글로벌 단층 촬영(316)
마지막으로, 단계(316)에서 수정된 적분 기반 단층 촬영을 기본으로 한 글로벌 단층 촬영 프로세스는 초기 뇌 템플릿에 적용되어 의심 영역을 포함한 뇌 전체에 걸쳐 유전 특성을 확인한다.
종래의 적분 기반 단층 촬영법은 본(Born) 근사법, 뉴톤 반복법(왜곡된 본 근사법), 또는 콘트라스트 소스 인버전(CSI)중 어느 것을 기본으로 하는 지에 따라, 3가지 유형으로 분류할 수 있다. 높은 정확도와 낮은 계산 비용의 바람직한 특성으로 인해, CSI 기반 방법은 EM 단층 촬영에 대한 더 많은 관심을 끌고 있다. 종래의 CSI 방법은 2가지 최적화 단계를 포함한다. 제1 단계는 콘트라스트 소스를 최적화하는 반면, 제2 단계는 단계 1로부터 최적 콘트라스트 소스를 기본으로 콘트라스트 함수를 최적화 한다. 최적의 콘트라스트 함수는 필요한 최종 솔루션인 영상화 영역의 유전율 및 전도도 정보를 제공한다.
CSI 기반 방법에 대한 수많은 조사를 바탕으로, 본 발명자들은 단계 1에서 콘트라스트 소스를 최적화하는 것이 단계 2에서 콘트라스트 함수를 최적화 하는 것보다 훨씬 쉽다는 것을 알아냈다. 따라서, 본 명세서에 기재된 프로세스에서, 공액 구배법을 이용하여 콘트라스트 소스만이 최적화 된다. 최적의 콘트라스트 소스를 얻은 후, 뇌 템플릿을 이용하여 FDTD/MOM 순방향 솔버(solver)를 이용하여 총 전기장을 계산한다. 콘트라스트 소스는 콘트라스트 함수와 총 전기장의 곱이기 때문에, 계산된 전기장을 이용하여 최적화 된 콘트라스트 소스에서 콘트라스트 함수를 추출할 수 있다.
이 방법의 공식 표시 및 절차는 다음과 같이 요약될 수 있다:
1. 공액 구배법을 이용하여 콘트라스트 소스를 재구성한다.
Figure pct00061
(27)
상기 식에서,
w는 콘트라스트 소스이고,
G는 그린 함수이고,
S는 수신된 신호(S 파라미터)이다.
2. 뇌 템플릿과 FDTD/MoM 솔버를 이용하여 총 전기장을 계산한다:
Figure pct00062
(28)
상기 식에서,
E tot 는 전기장이고,
Figure pct00063
는 FDTD 또는 MoM 솔버이고,
X temp 는 뇌 템플릿이다.
3. w 및 E tot 를 이용하여 뇌의 콘트라스트 함수를 추출한다:
Figure pct00064
(29)
상기 식에서,
χ는 유전율과 전도도 정보를 포함하는 뇌의 콘트라스트 함수이다.
기재된 프로세스는 하기 3가지 주요 이점을 제공한다:
1. 콘트라스트 함수의 최적화에 비해, 콘트라스트 소스의 최적화는 보다 빠르고 정확하게 수렴한다.
2. 뇌 템플릿을 이용하여 계산된 총 전기장은 일반적으로 비정상 조직(예를 들어, 출혈 또는 혈전)이 나타날 때 전기장을 나타내는 데 이용될 수 있다. 따라서 뇌졸중 시나리오에서 전기장의 최적화는 필요하지 않다.
3. 콘트라스트 소스 및 뇌 템플릿의 전기장을 이용하여 콘트라스트 함수를 추출하는 것은 간단하고 안정적이다.
위에서 설명한 방법은 뇌의 전기적 특성을 재구성하기 위해 단일 주파수를 이용한다. 그러나, 생체 조직의 분산 특성으로 인해 다중 주파수 방법은 생체 조직의 전기적 특성과 관련하여 더 많은 정보를 제공한다. 따라서 본 발명자들은 또한 다중 주파수를 기반으로 한 글로벌 단층 촬영법을 개발하였다. 구체적으로는, 이하에 설명하는 바와 같이, 다중 주파수를 기반으로 하는 4가지 방법이 개발되었다.
1. 미분 합계 및 평균 방법(DSMM, Differential Sum-and-Mean Method)
제1 방법은 상이한 주파수에서 재구성된 전도도를 합계하여 평균값을 계산하는 것이다. 주파수(fn) 하에서 각 픽셀의 재구성된 미분 콘트라스트가
Figure pct00065
로 표시된다고 가정하고, 여기서
Figure pct00066
은 다음과 같이 계산된다:
Figure pct00067
(30)
상기 식에서, χ temp 는 뇌 템플릿의 콘트라스트이고, 상이한 주파수에서 재구성된 미분 콘트라스트의 평균값은 다음과 같이 계산된다:
Figure pct00068
(31)
상기 식에서, N은 주파수 샘플의 수이다.
2. 상관 계수 방법(CCM)
기재된 상관 계수 방법은 2세트 신호의 유사성을 추정하는데 이용될 수 있다. 상관 계수가 1에 가까운 값은 원래 신호와의 유사성이 높음을 나타내고, 0에 가까운 값은 비 유사성을 나타낸다. 이 방법은 환자의 재구성된 전도도 분포와 템플릿 간의 상관 계수 맵을 계산한다. 뇌졸중을 포함하는 영역은 높은 비 유사성(낮은 상관 계수)을 나타내고, 뇌졸중이 없는 영역은 높은 유사성(높은 상관 계수)를 나타낸다. 재구성된 콘트라스트 분포에 대한 상관 계수는 다음과 같이 계산된다:
Figure pct00069
(32)
상기 식에서,
s 및 s temp 는 환자 및 템플릿에 대해 서로 다른 주파수에서 재구성된 콘트라스트의 표준 편차이고,
μ 및 μ temp 는 서로 다른 주파수에서 재구성된 콘트라스트의 평균 값이다.
3. 미분 엔트로피 기반 방법(DEM)
엔트로피는 확률 변수(random variable)의 불확실성에 대한 척도이다. 실험의 결과가 동등할 때(즉, 확률 분포가 균일할 때), 엔트로피의 최대 값이 얻어진다. 반대로, 최소 엔트로피 값은 특정 이벤트가 발생했음을 의미한다. 따라서, 엔트로피 값을 이용하여 2세트 신호 간의 유사성을 측정할 수도 있다. 환자의 재구성 콘트라스트와 해당 템플릿 헤드 사이의 낮은 엔트로피 값은 뇌졸중 영역을 의미하고, 반면 높은 엔트로피 값은 정상 영역을 의미한다. 본 명세서에서 기재된 시스템에 의해 이용되는 방법에서, 레니(Renyi) 엔트로피는 차수 50으로 이용된다. 미분 콘트라스트의 레니 엔트로피는 다음과 같이 계산된다:
Figure pct00070
(33)
상기 식에서,
Figure pct00071
는 다음과 같이 계산되는 정규화 재구성 콘트라스트이다:
Figure pct00072
(34)
4. 하이브리드 방법
위에서 설명한 DSMM, CCM 및 DEM을 이용한 결과를 바탕으로, 본 발명자들은 서로 다른 방법이 각각의 장점과 단점을 가지고 있음을 알아냈다. 특히, DSMM은 원하는 형상 복원으로 뇌졸중의 위치를 파악할 수 있지만, CCM 및 DEM 결과와 비교할 때 허상(artefact) 클러스터가 심각하다. CCM은 허상 클러스터를 제거할 수 있지만, 뇌졸중의 위치가 바뀔 수 있으므로 정확한 위치 특정이 불가능하다. 마지막으로. DEM은 허상 클러스터를 억제하면서 뇌졸중의 위치를 정확하게 파악할 수 있지만, 뇌졸중 영역의 형상에는 왜곡이 있다. 이상을 고려하여, 본 발명자들은 각 방법의 장점을 제공할 수 있도록 이들 3가지 방법을 조합한 하이브리드 방법을 개발하였다. 이러한 하이브리드 방법 중 가장 간단한 방법은 다음과 같이 하이브리드 영상을 제공하기 위해 각 방법에서 얻은 결과를 합산한다:
Figure pct00073
영상 융합(310)
다시 도 3의 흐름도를 참조하면, 뇌졸중 또는 외상의 진단을 돕기 위해 시스템으로부터 단일 출력 영상을 제공하기 위해, 단계(310)에서 영상 융합 프로세스(310)는 피험자 머리의 합성 영상을 생성한다. 융합 프로세스는, 도 20에 나타낸 바와 같이, 헤드 템플릿, 비모그래피 영상 및 다중 주파수 레이더/단층 촬영 기반 영상의 보완 특성을 조합한다. 융합에 의해, 머리 경계와 헤드 템플릿의 고 해상도의 세부 정보를 비모그래피의 표적 검출 및 단층 촬영 기반 방법의 유전 특성 추정/정교화(refinement)와 조합할 수 있다.
영상 융합을 위해 여러 기술이 이용될 수 있다. 한 가지 방법은 웨이블릿(wavelet) 또는 다중 스케일 특성을 기반으로 영상을 조합하는 것이다. 다중 스케일 변환 기반 융합에서, 하나의 영상의 고주파 성분('에지'와 같이 유용한 영상 세부 사항과 관련)은 다중 스케일 변환을 통해 추출된 다음, 또 다른 영상과 조합(예를 들어, 대체, 추가, 또는 선택 방법을 통해)되어 융합 영상을 생성한다. 기타 방법은 영상 내의 특성을 처리하고 어느 것이 유지하기에 유용한 특성인 가를 결정하기 위해, 기계 학습 모델의 트레이닝을 기반으로 한다. 이는 인공 신경망(ANN)과 같은 모델을 통해 달성될 수 있다. 영상 융합을 위한 기타 많은 접근 방식이 있다. 각 융합 방법에는 융합 과정에 유리한 고유한 장점이 있다. 예를 들어, 다중 스케일 변환 기반 방법은 다중 스펙트럼 영상에 적합하며, 더 자세한 특성을 구비한 더 우수한 주파수 해상도 출력을 생성한다. ANN은 복잡한 계산 작업을 거치지 않고 영상을 융합할 수 있는 능력으로 인해 영상 융합에 매력적이다. 그러나, 해상도의 한계나 고품질 트레이닝 데이터에 대한 요건 등으로 인해 단일 기술을 이용하는 것은 바람직하지 않을 수 있다. 따라서, 단일 방법을 이용하면 유망한 결과를 얻을 수 있지만, 보다 효과적인 융합을 위해서는 다양한 기술의 장점을 조합하는 방법이 바람직하다.
본 명세서에 기술된 시스템에서, 영상을 처리하고, 중요한 특징을 추출하고, 상이한 머리 영상화 진단법(즉, 비모그래피, 단층 촬영)으로부터 노이즈를 제거하기 위한 여러 가지 상이한 융합 방법을 포함하는, 영상 융합을 위한 하이브리드 프로세스가 바람직하게 이용된다. 그 다음, 서로 다른 개별 융합 기술의 결과를 조합하여 융합된 영상을 구축한다. 통합 프로세스는 다양한 방법의 결과를 조합하고, 최종 융합 영상이 각 융합 접근 방식의 장점을 승계하도록 한다. 원본 영상에 비해 융합된 영상의 품질을 양적 및 질적으로 향상시킨다. 또한, 융합된 영상의 정확도를 더욱 향상시키기 위해, 이 융합 전략에서는 환자 고유의 헤드 템플릿도 이용된다. 비모그래피 및 단층 촬영의 입력은 전자기 신호에 의해 조명된 내부 조직의 정보를 표시하지만, 헤드 템플릿은 환자의 실제 3D 머리 표면을 기반으로 외부 머리 층의 정보를 제공한다. 더욱 중요한 것은 템플릿에는 뇌 조직의 상대적 분포도 포함되어 있다는 것이다. 따라서 최종 융합 영상에서 내부 뇌 조직의 시각적 표현을 향상시키기 위해 비모그래피 및 단층 촬영으로부터 추출된 특징과 조합되어 이용될 수 있다.
본 발명의 범위를 벗어나지 않고, 많은 수정이 가능함은 당업자에게 명백할 것이다.
106: 분석 컴포넌트 108: 3D 카메라
202: 소프트웨어 모듈 204: 비 휘발성 스토리지
208: 프로세서 210: USB 인터페이스
220: 인터넷 224: 운영 체제
226: 웹 서버 228: 스크립팅 언어 모듈
308: 비모그래피 프로세스 400: 템플릿 생성 프로세스
416: 입력 템플릿

Claims (15)

  1. (i) 복수의 상이한 신호 주파수에서 피험자 신체 부위의 조직으로부터 전자기 신호의 산란에 대한 단일 정적 또는 다중 정적 측정을 나타내는 산란 데이터를 수신함에 있어, 전자기 신호가 하나 이상의 안테나로부터 방출되고, 대응하는 산란 신호가 하나 이상의 안테나에 의해 측정되는 산란 데이터 수신 단계;
    (ii) 산란 데이터를 처리하여 피험자 신체 부위 내 조직의 복수의 산란 위치 각각에서 및 복수의 주파수 각각에 대해 전기장 전력 값을 계산하는 단계;
    (iii) 각 산란 위치에 대해, 복수의 주파수 및 복수의 안테나에 걸쳐 산란 위치에서 계산된 전기장 전력 값을 합산하여 신체 부위 내 조직의 영상을 생성하는 단계; 및
    (iv) 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 신체 부위 내 조직의 모델을 반복적으로 업데이트 함에 있어, 업데이트된 모델이 피험자 신체 부위 내 조직의 영상으로 출력되는 반복적 업데이트 단계를,
    포함하는 의료 영상화 방법.
  2. 제 1 항에 있어서,
    측정치가 다중 정적 측정이고, 전자기 신호가 신체 부위 주위에 배치된 복수의 안테나 각각으로부터 선택적으로 방출되고, 대응하는 산란 신호는 복수의 안테나 각각에 의해 측정되는 의료 영상화 방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    신체 부위가 머리이고, 조직이 피험자의 뇌 조직을 포함하는 의료 영상화 방법.
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    (v) 템플릿 라이브러리로부터 피험자에 가장 적합한 기본 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자 신체 부위 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계; 및
    (vi) 피험자 신체 부위의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 신체 부위 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해, 선택된 기본 템플릿과 피험자 신체 부위의 외형 치수 및/또는 형상 측정을 처리하는 단계를 포함하는 의료 영상화 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    산란 데이터를 처리하는 단계는,
    (vii) 산란 데이터로부터 클러터를 정규화하고 제거하는 단계; 및
    (viii) 전기장 전력 값을 계산하기 위해 정규화되고 클러터 제거된 산란 데이터를 처리하는 단계를 포함하는 의료 영상화 방법.
  6. 제 5 항에 있어서,
    산란 데이터로부터 클러터를 제거하는 단계는 측정된 전자기 신호의 평균값을 결정하는 단계와 산란 데이터로부터 강한 반사 및 클러터를 제거하기 위해 각 주파수에서 각 신호 측정치로부터 평균 값을 감산하는 단계를 포함하는 의료 영상화 방법.
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    신체 부위에 대해 측정된 산란 파라미터를 신체 부위 부재 하에 영상화 도메인의 측정된 산란 파라미터로 나누고, 영상화 도메인이 매칭 매체 또는 평균 신체 부위 팬텀의 유전 특성을 갖는 물질로 채워짐으로써 산란 데이터를 교정하는 단계를 포함하는 의료 영상화 방법.
  8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
    주파수 도메인 신호를 시간 도메인 신호로 변환하고 시간 도메인 신호를 대응 그래프에 매핑함으로써 신체 부위 내의 비정상 조직을 출혈성 또는 허혈성으로 분류하는 단계, 그래프의 노드 차수 및 차수 시퀀스 특성을 결정하는 단계, 그래프의 유사성을 평가하기 위해 그래프 차수 상호 정보를 계산하는 단계, 그래프 차수 상호 정보 특징과 그에 대응하는 클래스 라벨의 트레이닝 세트를 사용하여 분류기를 트레이닝 하고, 피험자 신체 부위 내의 조직에 대해 계산된 그래프에 분류기를 적용하는 단계를 포함하는 의료 영상화 방법.
  9. 제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
    피험자 뇌의 서로 다른 반구에 대한 신호들 사이의 큰 차이를 식별하기 위해 대응하는 대향 안테나 쌍에 대한 신호를 비교하는 단계를 포함하며, 이들은 반구 중 하나에서 비정상을 나타내는 의료 영상화 방법.
  10. 의료 영상 시스템의 적어도 하나의 프로세서에 의해 실행될 때, 적어도 하나의 프로세서가 제 1 항 내지 제 9 항 중 어느 한 항의 방법을 실행하게 하는 프로세서 실행 가능 명령을 저장한 컴퓨터 판독 가능 저장 매체.
  11. 제 1 항 내지 제 9 항 중 어느 한 항의 방법을 실행하도록 구성된 컴포넌트를 포함하는 의료 영상화 장치.
  12. (i) 복수의 서로 다른 신호 주파수에서 피험자 신체 부위의 조직으로부터 전자기 신호의 산란에 대한 단일 정적 또는 다중 정적 측정을 나타내는 산란 데이터를 수신하기 위한 입력 장치로서, 전자기 신호는 하나 이상의 안테나로부터 방출 되고, 대응하는 산란 신호는 하나 이상의 안테나에 의해 측정되는 입력 장치; 및
    (ii) - 산란 데이터를 처리하여 피험자 신체 부위 내 조직의 복수의 산란 위치 각각에서 그리고 복수의 주파수 각각에 대해 전기장 전력 값을 계산하고;
    - 산란 위치 각각에 대해, 복수의 주파수 및 복수의 안테나에 걸쳐 산란 위치에서 계산된 전기장 전력 값을 합산하여 신체 부위 내 조직의 영상을 생성하고; 그리고
    - 종료 기준이 충족될 때까지 생성된 영상과 모델의 비교를 기반으로 신체 부위 내 조직의 모델을 반복적으로 업데이트 하고, 업데이트 된 모델이 피험자 신체 부위 내 조직의 영상으로서 출력되도록 구성된 영상 생성 컴포넌트를 포함하는 의료 영상화 장치.
  13. 제 12 항에 있어서,
    측정은 다중 정적 측정이고, 전자기 신호는 신체 부위 주위에 배치된 복수의 안테나 각각으로부터 선택적으로 방출되고, 그리고 대응하는 산란 신호는 복수의 안테나 각각에 의해 측정되는 의료 영상화 장치.
  14. 제 12 항 또는 제 13 항에 있어서,
    신체 부위는 머리이고, 조직은 피험자의 뇌 조직을 포함하는 의료 영상화 장치.
  15. 제 12 항 내지 제 14 항 중 어느 한 항에 있어서,
    템플릿 라이브러리로부터 피험자에 가장 적합한 기본 템플릿을 선택하기 위해 기계 학습을 이용하여 피험자의 생체 데이터를 처리함에 있어, 템플릿이 각 피험자 신체 부위 조직의 각 모델을 나타내고, 피험자의 생체 데이터가 적어도 피험자의 연령, 성별, 체중 및 인종을 나타내는 생체 데이터의 처리 단계를 수행하고; 그리고
    피험자 신체 부위의 측정 값과 일치하도록 선택된 템플릿의 공간 좌표를 기하학적으로 변환함으로써, 피험자 신체 부위 조직의 모델을 나타내는 템플릿 데이터를 생성하기 위해, 선택된 기본 템플릿과 피험자 신체 부위의 외형 치수 및/또는 형상 측정을 처리하는 단계를 수행하는 템플레이트 생성기를 포함하는 의료 영상화 장치.
KR1020217009870A 2018-09-04 2019-09-04 의료 영상화 장치 및 방법 KR20220013537A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
AU2018903285 2018-09-04
AU2018903285A AU2018903285A0 (en) 2018-09-04 Beamography system and process for electromagnetic medical imaging
AU2018903284A AU2018903284A0 (en) 2018-09-04 System and process for electromagnetic medical imaging
AU2018903284 2018-09-04
PCT/AU2019/050948 WO2020047599A1 (en) 2018-09-04 2019-09-04 Apparatus and process for medical imaging

Publications (1)

Publication Number Publication Date
KR20220013537A true KR20220013537A (ko) 2022-02-04

Family

ID=69721483

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217009870A KR20220013537A (ko) 2018-09-04 2019-09-04 의료 영상화 장치 및 방법

Country Status (8)

Country Link
US (1) US20210353149A1 (ko)
EP (1) EP3846688A4 (ko)
JP (1) JP7397067B2 (ko)
KR (1) KR20220013537A (ko)
CN (1) CN113164093A (ko)
AU (1) AU2019333924B2 (ko)
CA (1) CA3111578A1 (ko)
WO (1) WO2020047599A1 (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435432B (zh) * 2019-01-15 2023-05-26 北京市商汤科技开发有限公司 网络优化方法及装置、图像处理方法及装置、存储介质
JP7465888B2 (ja) * 2019-03-04 2024-04-11 エムビジョン・メディカル・デバイシーズ・リミテッド 脳卒中モニタリング
AU2021339236A1 (en) * 2020-09-14 2023-05-18 EMvision Medical Devices Ltd Apparatus and process for electromagnetic imaging
KR102506815B1 (ko) * 2020-11-19 2023-03-06 전남대학교산학협력단 생체정보처리 기술과 결합된 암호를 통한 사용자 검증 시스템 및 방법
US11609258B2 (en) * 2020-11-27 2023-03-21 Uif (University Industry Foundation), Yonsei University Apparatus and method for detecting cable fault based on reflectometry using AI
CN112773352B (zh) * 2020-12-29 2022-07-01 北京理工大学 脑异物微波成像检测方法、装置及计算机可读存储介质
AU2022229178A1 (en) * 2021-03-04 2023-09-28 EMvision Medical Devices Ltd Apparatus and process for electromagnetic imaging
AU2022257927A1 (en) * 2021-04-13 2023-11-02 EMvision Medical Devices Ltd Apparatus and process for medical sensing
US20220354380A1 (en) * 2021-05-06 2022-11-10 Covidien Lp Endoscope navigation system with updating anatomy model
WO2023039626A1 (en) * 2021-09-17 2023-03-23 EMvision Medical Devices Ltd An electromagnetic imaging apparatus & process
CN114167221B (zh) * 2021-12-13 2023-06-13 华北电力大学（保定） 不同电压频率下环氧树脂绝缘老化判别检验方法
CN114676627B (zh) * 2022-03-11 2024-07-26 上海师范大学 一种基于U-Net神经网络的混合电磁目标重构方法
CN114965510A (zh) * 2022-04-22 2022-08-30 吉林大学 一种微波气体传感器及其制备方法、分析方法和应用
FR3144912A1 (fr) * 2023-01-18 2024-07-19 Universite De Limoges Procédé d’imagerie, appareil et produit programme d’ordinateur associé

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998001069A2 (en) * 1996-07-05 1998-01-15 The Carolinas Heart Institute Electromagnetic imaging and therapeutic (emit) systems
US20040077943A1 (en) * 2002-04-05 2004-04-22 Meaney Paul M. Systems and methods for 3-D data acquisition for microwave imaging
JP5605783B2 (ja) * 2009-06-10 2014-10-15 国立大学法人静岡大学 診断装置
ES2632341T3 (es) * 2010-12-15 2017-09-12 Medielma S.R.L. Sistema de detección electromagnética y procedimiento de localización de tumores/calcificaciones en tejidos
JP6697438B2 (ja) * 2014-07-15 2020-05-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 個別化テンプレート画像による定位正則化を含むイメージングデータ統計的検定
EP3361955B1 (en) * 2015-10-16 2020-09-02 Emtensor GmbH Electromagnetic interference pattern recognition tomography
WO2017112910A1 (en) * 2015-12-22 2017-06-29 The Regents Of The University Of California Computational localization of fibrillation sources
WO2018085788A1 (en) * 2016-11-04 2018-05-11 The University Of North Carolina At Chapel Hill Office Of Commercialization And Economic Development Methods, systems, and computer readable media for smart image protocoling
ES2957552T3 (es) * 2016-11-23 2024-01-22 Emtensor Gmbh Uso de campo electromagnético para imágenes tomográficas de la cabeza
US20180157800A1 (en) * 2016-12-02 2018-06-07 General Electric Company Methods and systems for user defined distributed learning models for medical imaging
US10983209B2 (en) * 2017-04-12 2021-04-20 Ellumen, Inc. Accurate signal compensations for UWB radar imaging in dispersive medium
AU2018280336B2 (en) * 2017-06-08 2024-03-21 EMvision Medical Devices Ltd A tomographic imaging system and process

Also Published As

Publication number Publication date
JP7397067B2 (ja) 2023-12-12
EP3846688A4 (en) 2022-06-15
AU2019333924A1 (en) 2021-04-08
AU2019333924B2 (en) 2024-08-22
US20210353149A1 (en) 2021-11-18
EP3846688A1 (en) 2021-07-14
CA3111578A1 (en) 2020-03-12
CN113164093A (zh) 2021-07-23
JP2021536328A (ja) 2021-12-27
WO2020047599A1 (en) 2020-03-12

Similar Documents

Publication Publication Date Title
JP7397067B2 (ja) 医療用イメージングのための装置及び処理
Mobashsher et al. Design and experimental evaluation of a non-invasive microwave head imaging system for intracranial haemorrhage detection
AU2018280336A1 (en) A tomographic imaging system and process
CN111031895A (zh) 用于估计对象的脂肪含量分数的方法
US8977340B2 (en) System and method for collection and use of magnetic resonance data and microwave data to identify boundaries of interest
US20220322940A1 (en) Apparatus and process for electromagnetic imaging
WO2007008962A2 (en) Microwave imaging assisted ultrasonically
US10768214B2 (en) Multi-view planar near-field scattering tomography system
US20230355097A1 (en) Apparatus and process for electromagnetic imaging
Kim et al. Learning-based attenuation quantification in abdominal ultrasound
Lin et al. Hybrid microwave medical imaging approach combining quantitative and qualitative algorithms
US20220142611A1 (en) Hybrid medical imaging probe, apparatus and process
WO2005019984A2 (en) Superresolution ultrasound
Golnabi Computational aspect of tomographic microwave imaging for biomedical applications
Wang et al. Distance compensation-based dual adaptive artifact removal algorithm in microwave breast tumor imaging system
Nakajima et al. Radar-Tomographic Bidirectional Method for Quantitative Microwave Breast Imaging
Torres-Quispe et al. Improving UWB image reconstruction for breast cancer diagnosis by doing an iterative analysis of radar signals
US12048507B2 (en) Stroke monitoring
Puttock et al. UWB microwave imaging for inclusions detection: Methodology for comparing artefact removal algorithms
Albaaj et al. Multivariate and multi-dimensional CFAR radar image for breast cancer detection
Maskooki Frequency domain approach for skin artifact removal in UWB microwave breast cancer detection
Guven et al. Multi-parameter acoustic imaging of uniform objects in inhomogeneous media

Legal Events

Date Code Title Description
A201 Request for examination